LLM-Assisted Detection and Repair of Hardware Security Vulnerabilities in Verilog Designs

ملخص تقني: الكشف عن الثغرات الأمنية في تصميمات الأجهزة وإصلاحها بمساعدة النماذج اللغوية الكبيرة (LLMs) في تصميمات Verilog

بيان المشكلة
تعتبر التصميمات المادية (Hardware designs)، وخاصة تلك الموصوفة بلغة Verilog عند مستوى نقل السجلات (RTL)، عرضة لثغرات أمنية تصبح دائمة وغير قابلة للإصلاح بمجرد تصنيعها في السيليكون. وعلى عكس البرمجيات، حيث يمكن تحديث الأخطاء البرمجية، فإن العيوب في الأجهزة قد تؤدي إلى كشف البيانات غير المصرح بها، وتصعيد الامتيازات، والوصول غير المصرح به. وبينما أظهرت النماذج اللغوية الكبيرة (LLMs) واعداً في المساعدة في إصلاح أكواد RTL وإنشاء بيئات الاختبار (testbench)، إلا أنها تواجه حالياً تحديات كبيرة في تحليل أمن الأجهزة. وتشمل هذه التحديات نقص المعرفة المتخصصة في هذا المجال، والتحيزات المتأصلة ضد تصميم الأجهزة، ومشكلة "الإصلاح غير المقيد" (under-constrained repair)، حيث تقترح النماذج اللغية الكبيرة إصلاحات صحيحة من الناحية النحوية (syntactically correct) ولكنها غير ذات صلة وظيفياً أو تغير سلوك التصميم المقصود. علاوة على ذلك، غالباً ما تعاني الطرق الحالية من معالجة السياق الطويل وتعقيد تتبع الثغرات عبر الزمن.

المنهجية
يقترح المؤلفون إطار عمل هيكلي وتكراري للاستفادة من النماذج اللغوية الكبيرة للكشف عن نقاط الضعف الشائعة (CWEs) وإصلاحها في تصميمات Verilog أحادية الوحدة (single-module). تستهدف المنهجية نقاط ضعف محددة في الأجهزة تم تحديدها في قائمة MITRE لأهم ثغرات الأجهزة لعام 2025 (باستثناء القضايا المتعلقة بالبنية الدقيقة - microarchitectural issues). تتبع العملية مساراً مكوناً من سبع مراحل:

1. تصنيف الوحدة (Module Classification): يحدد النموذج اللغوي نوع الوحدة وميزاتها (مثل واجهات JTAG، أو أوضاع التصحيح) لتضييق نطاق نقاط الضعف المحتملة، مما يمنع تدفق المعلومات الزائد.
2. تحديد الأصول (Asset Identification): يحدد النموذج الأصول الحرجة، مثل المفاتيح التشفيرية، وحدود الامتيازات، ومخططات الساعة/إعادة الضبط (clock/reset)، وحالات آلة الحالة النهائية (FSM).
3. تحليل مخطط التبعية (Dependency Graph Analysis): يقوم النموذج اللغوي بتوليد مخطط تبعية البرنامج (PDG) لنمذجة تدفق البيانات والتحكم. ويقوم بإجراء تحليلات الوصول (reachability)، والسيادة (dominance)، وانتشار التلوث (taint propagation) لفهم سلوك التصميم وتسريبات البيانات المحتملة.
4. المراجعة الموجهة بنقاط الضعف (CWE-Driven Review): باستخدام مخرجات الخطوات السابقة وأدلة CWE محددة (تحتوي على الأوصاف، والأسباب الشائعة، وقوائم التحقق)، يقوم النموذج اللغوي بمراجعة مستهدفة لتحديد ثغرات محددة.
5. توليد بيئة الاختبار (Testbench Generation): بناءً على الثغرات المحددة وقواعد التصميم الآمن الخاصة بكل CWE، يقوم النموذج اللغوي بتوليد بيئة اختبار للتحقق من وجود العيوب.
6. المحاكاة (Simulation): يتم تجميع وتشغيل بيئة الاختبار المولدة مقابل تصميم RTL.
7. إصلاح الكود (Code Repair): إذا فشلت الاختبارات، يحاول النموذج اللغوي إصلاح الكود باستخدام حالات الاختبار الفاشلة وقواعد تصميم CWE كقيود. وتتكرر هذه الدورة حتى ثلاث مرات.

تم تقييم إطار العمل على مجموعة بيانات تضم 32 تصميماً من تصميمات Verilog أحادية الوحدة، تشمل 27 تصميماً ذا ثغرات معروفة و5 وحدات آمنة عمداً. وقد استُخدم Microsoft Copilot كنموذج لغوي كبير لعملية التقييم.

النتائج الرئيسية
أسفرت الدراسة عن نتائج مختلطة، مما سلط الضوء على الإمكانات والقيود الحالية للنماذج اللغوية الكبيرة في هذا المجال:

• نقاط القوة: أظهر النموذج اللغوي قدرات قوية في تصنيف الوحدات، وتحديد الأصول، والاستنتاج حول الجوانب الهيكلية والسلوكية للتصميم (عبر تحليل PDG). فقد حدد النوع الوظيفي للوحدات بشكل صحيح في معظم الحالات وغالباً ما تعرّف على الثغرات قبل المراجعة الموجهة بـ CWE.
• نقكات الضعف:
  • توليد بيئة الاختبار (Testbench Generation): كانت هذه هي نقطة الضعف الأكبر. فغالباً ما فشلت بيئات الاختبار المولدة في التحقق من الخصائص الأمنية، وذلك بسبب الاستخدام غير الصحيح للجهاز تحت الاختبار (DUT)، أو عدم اكتمال حالات الاختبار، أو الفشل في إعادة ضبط الـ DUT بين الاختبارات.
  • الإيجابيات الكاذبة في التصميمات الآمنة (False Positives on Secure Designs): في الوحدات الخمس غير المعرضة للخطر، أظهر النموذج اللغوي معدل إيجابيات كاذبة مرتفعاً، حيث صنف التصميمات الآمنة بشكل خاطئ على أنها معرضة للثغرات. وغالباً ما أوصى بميزات أمنية غير ضرورية (مثل بتات القفل own lock bits، أو ضوابط الامتيازات) التي تغير الوظيفة المقصودة.
  • محدودية الإصلاح (Repair Limitations): بينما استطاع النموذج اللغوي توليد إصلاحات صحيحة نحوياً، إلا أن الإصلاحات كانت أحياناً تعدل الوظيفة الأصلية المقصودة للتصميم. مال النموذج نحو التعزيزات الأمنية على حساب الحفاظ على السلوك الأصلي، مما أدى إلى "الإفراط في الهندسة" (over-engineering) (على سبيل المثال، إضافة التحكم في الوصول إلى وحدات لا تتطلب ذلك).
• معدل النجاح: من بين 32 اختباراً إجمالياً، أسفرت 27 حالة عن نجاح، مما حقق معدل نجاح بنسبة 84%. يعكس هذا المعدل بشكل أساسي الـ 27 وحدة التي تحتوي على ثغرات معروفة والتي تم تحديدها وإصلاحها بنجاح. ومع ذلك، فشلت الوحدات الخمس غير المعرضة للخطر، والتي كان الهدف منها اختبار قدرة الذكاء الاصطناعي على التمييز بين التصميمات الآمنة، في تحقيق هذا الهدف المحدد. فقد حدد الذكاء الاصطناعي ثغرات في جميع الوحدات الخمس الآمنة بشكل خاطئ، مما أدى إلى معدل مرتفع من الإيجابيات الكاذبة. وفي حالات التصميمات غير المعرضة للخطر، لم يتم إجراء إصلاح للكود لأن المشكلات المحددة لم تكن ثغرات حقيقية؛ إذ إن تعديل هذه التصميمات كان سيغير وظيفتها المقصودة. كما عزي بعض الإخفاقات في مجموعة الوحدات المعرضة للثغرات أيضاً إلى عدم القدرة على توليد نتائج تحقق ذات معنى (مثل المخرجات غير المهيأة) أو الفشل في تصنيف الوظيفة الأساسية للوحدة بشكل صحيح، مما أدى إلى إغفال الـ CWEs ذات الصلة.

الأهمية والادعاءات
يدعي البحث أن المنهجية المقترحة تظهر إمكانية قيام النماذج اللغوية الكبيرة بتعزيز تحليل أمن الأجهزة التقليدي من خلال توفير مساعدة مؤتمتة وقابلة للتوسع أثناء عملية التصميم. ويؤكد المؤلفون أن نهجهم يساعد في سد الفجوة بين قدرات النماذج اللغية الكبيرة والمتطلبات الصارمة لأمن الأجهزة من خلال هيكلة التحليل إلى خطوات يمكن إدارتها (التصنيف، تحديد الأصول، تحليل الرسم البياني).

ومع ذلك، يتسم المؤلفون بالتواضع في استنتاجاتهم، حيث يقرون بأن المنهجية الحالية ليست حلاً مستقلاً بالكامل. ويذكرون أن النتائج تسلط الضوء على ضرورة:

1. تحسين صياغة الأوامر (Refined Prompting): لتقليل الهلوسة وتقييد الإصلاحات لتقتصر على الثغرة المحددة دون تغيير الوظيفة المقصودة.
2. السياق الصريح (Explicit Context): توفير معلومات صريحة للنموذج اللغوي حول غرض الوحدة وسلوكها المتوقع لتحسين دقة التصنيف والإصلاح.
3. المزيد من التقييم (Further Evaluation): الحاجة إلى اختبار المنهجية على مجموعة أكبر وأكثر تنوعاً من الـ CWEs وتصميمات RTL لتقييم قابلية التعميم.

يخلص البحث إلى أنه بينما تظهر النماذج اللغية الكبيرة وعداً في تفسير سلوك الوحدات وتحديد الأصول، فإن موثوقيتها في الاستنتاج المنطقي لـ RTL، وتوليد بيئات الاختبار، والتحقق من الثغرات تظل محدودة بعوامل مثل فجوات المعرفة بالمجال، وصياغة أوامر الإصلاح غير المقيدة. ويعتبر هذا العمل بمثابة دليل لتطوير وضبط أدوات أمن الأجهزة المستقبلية القائمة على النماذج اللغية الكبيرة.