A Deep Cross Neural Network Framework for Stealthy Hardware Trojan Identification in FPGA

Resumen Técnico: Un Marco de Red Neuronal Cruzada Profunda para la Identificación de Trojanos de Hardware Sigilosos en FPGA

Planteamiento del Problema
La creciente dependencia de las Matrices de Puertas Programables en Campo (FPGA) en aplicaciones de seguridad crítica (por ejemplo, criptografía, aeroespacial, defensa) ha aumentado la vulnerabilidad ante ataques de Trogos de Hardware (HT). Estos circuitos maliciosos se insertan intencionadamente durante el diseño o la fabricación para alterar la funcionalidad, degradar el rendimiento o filtrar datos. Los métodos de detección tradicionales enfrentan desafíos significográficos:

• Sigilo: Los trojanos están diseñados con condiciones de activación raras y huellas físicas mínimas, lo que a menudo permite evadir las pruebas funcionales.
• Limitaciones de las Técnicas Existentes: Las pruebas funcionales requieren patrones de prueba impracticables para diseños grandes. El análisis de canales laterales (potencia, tiempo) es sensible a las variaciones del proceso y al ruido ambiental. La verificación formal y la ingeniería inversa a menudo demandan modelos de referencia "dorados" confiables y altos recursos computacionales.
• Brechas en el Aprendizaje Automático: Aunque el aprendizaje automático (ML) ofrece promesas, los clasificadores existentes a menudo tratan las características de forma independiente, luchan por la generalización a través de diversas arquitecturas y siguen siendo vulnerables a la manipulación adversaria o la escasez de datos.

Metodología
El artículo propone un nuevo marco que utiliza un clasificador de Red Neuronal Cruzada Profunda (DCNN) para detectar HT en circuitos VLSI basados en FPGA. El enfoque está diseñado para minimizar la dependencia de modelos de referencia dorados mediante el aprovechamiento del aprendizaje de características correlacionadas. El flujo de trabajo consta de tres etapas primarias:

1. Preprocesamiento de Datos:

   • Fuente: El estudio utiliza el conjunto de datos de referencia de trojan a nivel de chip Trust-Hub, que contiene más de 100 diseños diversos (por ejemplo, AES, RS232, microcontroladores) con variantes tanto libres de Trojan como infectadas por Trojan.
   • Extracción de Características: Se extraen características estructurales (conteo de puertas, fan-in/fan-out, longitudes de ruta de señal) y características funcionales/dinámicas (actividad de conmutación, tasas de alternancia, estadísticas de potencia) a partir de netlists y trazas de simulación.
   • Limpieza y Normalización: Los datos se limpian para manejar valores faltantes y valores atípicos. Las características se normalizan (min-max o z-score) y se equilibran mediante técnicas como SMOTE para abordar los desequilibrios de clase. El conjunto de datos se divide en conjuntos de entrenamiento, validación y prueba.

2. Agrupación (Clustering):

   • Antes de la clasificación, el conjunto de características procesado se somete a una agrupación no supervisada. Este paso agrupa las muestras de los circuitos basándose en la similitud estructural y funcional (por ejemplo, complejidad de puertas, patrones de conectividad).
   • Propósito: La agrupación reduce la varianza intra-clase, elimina datos redundantes y aísla estructuras ocultas. Prepara los datos organizándolos en grupos coherentes, lo que permite que el clasificador posterior se concentre en patrones correlacionados en lugar de anomalías aisladas.

3. Clasificación por Red Neuronal Cruzada Profunda (DCNN):

   • Arquitectura: El núcleo del marco es una DCNN diseñada para explotar las correlaciones entre múltiples parámetros del circuito. A diferencia de los clasificadores estándar que analizan las características de forma independiente, la DCNN aprende las relaciones entre características (por ejemplo, cambios simultáneos en el conteo de puertas, la distribución de fan-out y la actividad de la señal).
   • Mecanismo: El modelo utiliza matrices de pesos de entrada ($W$), matrices de pesos recurrentes ($U$) y vectores de sesgo ($b$). Emplea un mecanismo de composición recursiva donde los estados ocultos se actualizan basándose en los estados de celda y los filtros de conectividad. El proceso de entrenamiento minimiza la pérdida de Entropía Cruzada mediante retropropagación para ajustar los pesos.
   • Predicción: El modelo entrenado mapea los vectores de características agrupados a un espacio de correlación, generando una clasificación binaria (libre de Trojan vs. infectado por Trojan) basada en la probabilidad de presencia de un Trojan.

Contribuciones Clave

• Aprendizaje Neuronal Correlacionado: La principal contribución es la aplicación de una DCNN que modela explícitamente la correlación entre las características estructurales y funcionales, abordando la limitación del análisis de características independientes en las detecciones de ML existentes.
• Representación de Características Agrupadas: La integración de un paso de preprocesamiento de agrupación para organizar los datos heterogéneos de los benchmarks, mejorando así la separabilidad de las anomalías inducidas por los Trojans.
• Reducción de Dependencia: El marco opera sin requerir un modelo de referencia dorado confiable o mediciones complejas de canales laterales, basándose en su lugar en los patrones estructurales e intrínsecos de comportamiento de los diseños de los circuitos.
• Escalabilidad: El método está diseñado para ser adaptable a arquitecturas FPGA complejas y diversos tipos de Trojan (combinatorios, secuenciales, paramétricos).

Resultados
El marco fue evaluado utilizando el conjunto de datos Trust-Hub con variaciones en las proporciones de entrenamiento-prueba (60%, 70%, 80%). El rendimiento se comparó con métodos existentes, incluyendo enfoques basados en Grafos de Conocimiento (VD-KGE [24]) y métodos de Canal Lateral de Retardo (ZDD [25]), así como modelos estándar de ANN y CNN.

• Precisión (Accuracy): El marco DCNN propuesto alcanzó una precisión de detección del 98.4%.
• Tasa de Falsas Alarmas: El sistema demostró una tasa de falsas alarmas reducida del 1.2%, una mejora significativa sobre las configuraciones estándar.
• Rendimiento Comparativo: El método propuesto superó consistentemente a los modelos comparados (VD-KGE, ZDD, RNN, CNN) en todas las métricas, incluyendo Precisión, Exhaustividad (Recall), F-Medida, Sensibilidad y Especificidad.
• Robustez: El modelo mantuvo un rendimiento estable a través de diferentes tipos de Trojan y tamaños de circuito. La curva Característica de Operación del Receptor (ROC) indicó un Área Bajo la Curva (AUC) cercano a la unidad, lo que significa una alta sensibilidad a los Trojans sigilosos mientras se suprimen los falsos positivos.
• Eficiencia: Se señala que el enfoque tiene una carga computacional "Baja" en comparación con los métodos de procesamiento de grafos o análisis de trazas, atribuido a la eficiencia del mecanismo de aprendizaje agrupado.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona una solución fiable y eficiente para mejorar la seguridad en los sistemas VLSI basados en FPGA. La significancia del estudio radica en su capacidad para identificar variaciones sutiles introducidas por los Trogos de Hardware mediante el aprendizaje neuronal correlacionado, superando las limitaciones de las pruebas tradicionales y el análisis de características aisladas.

El artículo asevera que el algoritmo propuesto aborda eficazmente los desafíos clave en la detección de HT, incluyendo:

• La naturaleza sigilosa de la activación del Trojan.
• La necesidad de escalabilidad a través de diversos diseños de circuitos.
• El requisito de robustez contra ataques adaptativos.

Al reducir la dependencia de los diseños de referencia y lograr una alta precisión con bajas falsas alarmas, el marco se presenta como una solución viable para aplicaciones prácticas de seguridad de hardware. Los autores sugieren que el trabajo futuro podría centrarse en la detección en tiempo real, el aprendizaje adaptativo para ataques en evolución y la optimización para entornos FPGA de bajos recursos, pero el estudio actual establece la eficacia del enfoque DCNN agrupado.