Moderne elektronische Chips sind die stillen Motoren unserer Welt und treiben alles an, von medizinischen Geräten bis hin zu den Systemen, die Flugzeuge steuern. Diese winzigen Schaltkreise werden in riesigen Mengen hergestellt und passieren oft die Hände vieler verschiedener Unternehmen, bevor sie den Endnutzer erreichen. Diese komplexe Reise schafft eine Schwachstelle: Ein böswilliger Akteur könnte eine versteckte, winzige Modifikation in das Design einbauen, ein digitales „Trojanisches Pferd“. Dieser versteckte Schaltkreis könnte jahrelang im Ruhezustand verharren und auf ein bestimmtes Signal warten, um dann aktiv zu werden, wobei er geheime Schlüssel stehlen, ein System abschalten oder die Leistung beeinträchtigen könnte. Da diese Geräte oft in Metallgehäusen versiegelt sind und die versteckten Modifikationen darauf ausgelegt sind, nahezu unsichtbar zu sein, können Sicherheitsexperten nicht einfach hineinsehen, um sie zu finden. Stattdessen müssen sie auf das physische Verhalten des Chips hören. Wenn ein Chip arbeitet, verbraucht er Elektrizität, und dieser Verbrauch erzeugt eine schwache, fluktuierende Signatur der Leistung. Ein versteckter bösartiger Schaltkreis verändert, selbst wenn er ruhig ist, diesen Stromfluss geringfügig. Durch das Messen dieser winzigen elektrischen Wellen hoffen Verteidiger, die Anwesenheit einer versteckten Bedrohung zu erkennen, ohne den Chip jemals öffnen zu müssen.

Jahrelang wandten Forscher maschinelles Lernen an, um diesen Prozess des „Hörens“ zu automatisieren. Sie trainierten Computerprogramme darauf, die einzigartigen Leistungssignaturen von Chips zu erkennen, von denen bekannt war, dass sie mit diesen versteckten Modifikationen infiziert waren. Frühe Berichte waren unglaublich optimistisch und behaupteten, dass diese KI-Systeme infizierte Chips mit nahezu perfekter Genauigkeit identifizieren könnten, wobei sie oft Erfolgsraten zwischen 87 und 100 Prozent anführten. Diese Zahlen suggerierten, dass wir das Problem der Überprüfung von Chips auf versteckte Bedrohungen gelöst hätten. Eine neue Studie von Forschern der Prairie View A&M University und der Wright State University stellt dieses Vertrauen jedoch infrage. Sie argumentieren, dass diese hohen Werte nicht beweisen, dass die Maschinen gut darin sind, neue, unbekannte Bedrohungen zu erkennen. Stattdessen spiegeln die Werte einen einfachen Fall von Vertrautheit wider. Die Forscher fanden heraus, dass die Art und Weise, wie diese Systeme getestet wurden, es ihnen ermöglichte, Chips wiederzuerkennen, die sie bereits während ihres Trainings gesehen hatten, anstatt tatsächlich eine neue Gefahr zu identifizieren.

Der Kern des Problems liegt darin, wie die Daten für den Test aufgeteilt wurden. In den vorangegangenen Studien nahmen Forscher tausende von Leistungsmessungen aus einem Satz infizierter Chips und mischten sie zufällig in zwei Stapel: einen für das Training des Computers und einen für dessen Testen. Da derselbe spezifische Chip verwendet wurde, um sowohl die Trainings- als auch die Testdaten zu generieren, wurde der Computer im Grunde mit seinen eigenen Hausaufgaben getestet. Er lernte, das spezifische elektrische Rauschmuster eines bestimmten Chips zu erkennen, anstatt die allgemeinen Regeln dessen zu lernen, wie ein bösartiger Schaltkreis aussieht. Es ist, als würde man einen Schüler lehren, die Handschrift einer bestimmten Person zu erkennen, und ihn dann am Schreiben derselben Person testen; er würde mit Bravour bestehen, aber er würde wahrscheinlich scheitern, wenn man ihn bitten würde, die Handschrift eines Fremden zu identifizieren. Die Forscher erkannten, dass in einem realen Szenario der zu testende Chip ein völlig neues Gerät wäre, ein Gerät, das das Sicherheitssystem noch nie zuvor encountert hatte.

Um dies zu korrigieren, gestaltete das Team das Experiment streng fair. Sie trennten die Daten so, dass kein einzelner Chip sowohl in der Trainings- als auch in der Testgruppe auftauchte. Sie trainierten den Computer mit einem Satz von Chips und testeten ihn dann an einem völlig anderen Chip, den er noch nie zuvor gesehen hatte. Als sie dies taten, verschwanden die beeindruckenden Erfolgsraten. Die Fähigkeit des Systems, die versteckten Bedrohungen zu erkennen, sank dramatisch auf ein Niveau, das kaum besser als blindes Raten war. In einigen Fällen war das System sogar schlechter als der Zufall, indem es saubere Chips fälschlicherweise als infiziert identifizierte oder die Bedrohungen gänzlich übersah. Dieser Zusammenbruch geschah selbst dann, wenn die Forscher verschiedene Arten fortschrittlicher Computermodelle verwendeten, was bewies, dass das Problem nicht ein Mangel an Rechenleistung oder eine schlechte Wahl des Algorithmus war, sondern eine fundamentale Einschränkung in der Art und Weise, wie sich die Daten verhalten.

Die Studie ergab, dass die elektrischen Signale von diesen versteckten Bedrohungen unglaublich schwach sind und sich über die gesamte Messung verteilen, was sie sehr schwer von normalem Hintergrundrauschen unterscheidbar macht. Die Forscher fanden heraus, dass das System nur dann erfolgreich sein konnte, wenn es während seines Trainings bereits einen sehr ähnlichen Chip gesehen hatte. Wenn eine spezifische Art von versteckter Bedrohung in den Trainingsdaten vorhanden war, konnte das System einen neuen Chip mit derselben Bedrohung erkennen. Aber wenn die Trainingsdaten keinen nahen Verwandten der Bedrohung auf dem Testchip enthielten, versagte das System. Diese Abhängigkeit von Vertrautheit bedeutet, dass kein universelles, vortrainiertes Sicherheitsprogramm gebaut werden kann, um jeden Chip der Welt zu scannen. Stattdessen müssen Sicherheitsexperten, um eine Bedrohung auf einem spezifischen neuen Gerät zuverlässig zu erkennen, zuerst eine kleine Anzahl von Messungen von diesem spezifischen Gerät selbst vornehmen, um das System zu kalibrieren.

Die Forscher testeten diese Idee, indem sie dem System vor der Frage nach einem Urteil nur wenige Messungen des neuen Chips gaben. Mit dieser kleinen Menge an spezifischer Information verbesserte sich die Genauigkeit des Systems erheblich und übertraf jede Methode, die versuchte, sich auf Daten von anderen, nicht verwandten Chips zu verlassen. Dieser Befund deutet darauf an, dass die Zukunft der Chipsicherheit nicht in einem einzigen, allwissenden KI-Modell liegt. Stattdessen erfordert sie einen praktischeren Ansatz, bei dem jedes Gerät kurz kalibriert wird, bevor es überprüft wird. Die Studie kommt zu dem Schluss, dass die in der Vergangenheit berichteten hohen Genauigkeitszahlen eine Illusion waren, die durch fehlerhafte Testmethoden erzeugt wurde. Die reale Erkennung ist viel schwieriger und erfordert einen maßgeschneiderten Ansatz für jeden neuen Chip anstatt einer Einheitslösung. Indem sie die Art und Weise änderten, wie diese Systeme getestet werden, haben die Forscher ein klareres, ehrlicheres Bild dessen geliefert, was möglich ist und was benötigt wird, um unsere digitale Infrastruktur sicher zu halten.