💻 computer science

Early Detection of Hardware Trojans Using Neural Controlled Differential Equations and Analysis of Power Traces

Cet article propose un nouveau cadre de détection de chevaux de Troie matériels qui utilise des équations différentielles contrôlées par neurones (NCDE) pour modéliser les traces de puissance nominales et un classificateur d'analyse discriminante linéaire (LDA) pour identifier et distinguer les chevaux de Troie dormants et actifs, atteignant une précision supérieure et des capacités de détection précoce par rapport aux méthodes d'apprentissage automatique traditionnelles.

Auteurs originaux : Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

Publié 2026-07-28

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le monde des puces informatiques comme une ville technologique trépidante, construite à l'intérieur d'un minuscule quartier de silicium. Chaque jour, des milliards de minuscules travailleurs (les transistors) suivent des instructions strictes pour que votre téléphone, votre voiture ou votre ordinateur portable fonctionne sans accroc. Mais et si quelques-uns de ces travailleurs avaient été secrètement embauchés par un méchant ? Ce ne sont pas de simples travailleurs paresseux ; ce sont des « Trojans matériels » (Hardware Trojans). Ce sont des modifications sournoises et cachées, implantées à l'intérieur de la conception de la puce. La plupart du temps, ils restent parfaitement immobiles, faisant semblant d'être normaux, attendant un signal secret pour s'éveiller et semer le chaos — comme voler vos mots de passe ou arrêter un système. La partie effrayante est qu'une fois qu'ils s'éveillent, il est souvent trop tard pour les arrêter.

Pendant des années, les experts en sécurité ont tenté de débusquer ces espions numériques, mais c'est comme chercher un fantôme dans une pièce bondée. Les méthodes traditionnelles tentent d'inspecter les plans (la conception) ou de tester les travailleurs un par un, mais ces espions sont trop doués pour se cacher. Ils ne se montrent que lorsqu'ils le décident, ou ils se cachent si bien que les tests standards ne les repèrent pas du tout. C'est là qu'entre en scène un nouveau genre de détective, qui ne se contente pas de regarder les travailleurs, mais écoute le « battement de cœur » de la ville. En observant la quantité d'électricité que la puce consomme (sa trace de puissance), les experts peuvent entendre le battement faible et irrégulier d'un espion caché. Cependant, ces signaux sont désordonnés et changent constamment, ce qui les rend difficiles à lire avec les outils de la vieille école.

Voici entrer les chercheurs de la California State University, Long Beach, qui ont construit un nouveau type de détective numérique appelé HOODOO. Imaginez HOODOO comme un auditeur intelligent et continu qui ne se contente pas de prendre des clichés de la consommation d'énergie de la puce, mais qui observe le flux de l'électricité comme un fleuve. Au lieu de vérifier le niveau de l'eau chaque seconde (ce qui pourrait manquer une infime ondulation), HOODOO utilise un outil mathématique appelé Équations Différentielles Contrôlées Neurales (NCDEs). Vous pouvez imaginer les NCDEs comme une lentille magique qui transforme une ligne de données saccadée et irrégulière en une histoire fluide et continue. Cela permet au système d'apprendre exactement à quoi ressemble le « son » d'une puce saine lorsqu'elle effectue son travail normal.

Le génie de cet article réside dans la façon dont HOODOO repère le problème. Le système est entraîné uniquement sur des puces connues pour être propres. Il apprend le rythme parfait d'une puce exempte de Trojan. Ensuite, lorsqu'il écoute une nouvelle puce, il tente de prédire le prochain battement du rythme. Si la puce est propre, la prédiction est parfaite. Mais si un Trojan se cache — même s'il est encore endormi (dormant) — il crée un léger vacillement, presque invisible, dans le rythme. Parce que HOODOO est si sensible au flux du temps, il remarque ces infimes déviations que les autres méthodes manquent. L'article montre que cette approche peut identifier avec succès trois scénarios : une puce sans espion, une puce avec un espion endormi, et une puce où l'espion s'est déjà réveillé et cause des problèmes.

Dans leurs expériences, l'équipe a testé cette méthode sur des benchmarks matériels standards, incluant des puces conçues pour le chiffrement et la communication série. Ils ont constaté que HOODOO pouvait détecter de manière fiable ces menaces cachées. Plus précisément, le système a pu repérer un Trojan « endormi » lorsque la déviation de puissance était d'au moins 3 % de la valeur de puissance de crête. En dessous de ce seuil de 3 %, le signal devenait trop faible pour être distingué du bruit de fond normal, suggérant une limite quant à la taille minimale qu'un espion peut avoir avant de devenir invisible pour cette méthode spécifique. Cependant, pour tout ce qui est supérieur à cela, la méthode s'est avérée très efficace, surpassant les anciennes techniques d'apprentissage automatique comme les LSTM et les réseaux de neurones multicouches, qui peinent souvent face à la nature désordonnée et irrégulière des données de puissance réelles.

L'article ne prétend pas avoir résolu le problème de la sécurité matérielle pour toujours, ni ne suggère que HOODOO peut attraper chaque espion possible. Les auteurs notent prudemment que leur méthode repose sur le fait que le Trojan laisse une « empreinte » mesurable dans la consommation d'énergie. Si un espion est conçu pour être parfaitement silencieux ou si le bruit de l'environnement est trop élevé, la détection devient plus difficile. De plus, bien que le système soit excellent pour distinguer le « propre » de l'« infecté », différencier un Trojan « endormi » d'un Trojan « actif » a nécessité des étapes supplémentaires impliquant l'injection de bruit dans leurs tests, car les jeux de données standards ne fournissaient pas d'horodatage exact de l'instant où les espions se sont réveillés.

En fin de compte, cette recherche suggère qu'en traitant les traces de puissance comme une histoire continue et fluide plutôt que comme une série de points déconnectés, nous pouvons attraper les espions matériels bien plus tôt. Le cadre HOODOO offre une nouvelle voie prometteuse pour sécuriser nos villes numériques, non pas en attendant simplement que l'alarme sonne, mais en écoutant le plus faible murmure d'un plan secret avant même qu'il ne commence.

Résumé Technique : Détection Précoce des Trojans Matériels à l'aide d'Équations Différentielles Contrôlées par Neurones et Analyse des Traces de Puissance

Énoncé du Problème

Les Trojans matériels (HT - Hardware Trojans) évolutifs posent une menace critique pour les systèmes numériques modernes en altérant furtivement les circuits intégrés (CI) pour provoquer des accès non autorisés, des fuites de données ou des défaillances du système. Les méthodes de détection traditionnelles font face à des limitations significatives :

Les méthodes statiques (ex. : tests logiques, analyse statique) peinent à passer à l'échelle et ne parviennent pas à identifier les Trojans dotés de déclencheurs d'activation rares.
Les méthodes dynamiques utilisant des réseaux de neurones standards (ex. : RNN, LSTM) nécessitent souvent des ressources de calcul substantielles et peuvent échouer à capturer la nature irrégulière et de haute dimension des signaux de canaux auxiliaires comme la consommation de puissance.
Le fossé de la dormance : La plupart des approches existantes se concentrent uniquement sur la détection de Trojans actifs. Elles manquent de la capacité d'identifier des Trojans qui sont physiquement présents mais actuellement dormants (pas encore déclenchés), laissant une fenêtre critique pour les failles de sécurité avant l'exécution de la charge utile malveillante.

Méthodologie : Le Cadre HOODOO

Les auteurs proposent HOODOO (Hardware TrOjan deTectiOn and preDictiOn framewOrk), une approche novatrice combinant les Équations Différentielles Contrôlées par Neurones (NCDE) avec l'analyse des canaux auxiliaires de puissance. Le cadre opère à travers quatre étapes :

1. Acquisition et Prétraitement des Données

Entrée : Traces de consommation de puissance à haute résolution provenant de plateformes matérielles (spécifiquement en utilisant les benchmarks TrustHub sur des cartes FPGA).
Fenêtre Glissante : Les traces sont segmentées en fenêtres de $W=50$ échantillons.
Traitement : Chaque fenêtre subit une normalisation (moyenne nulle, variance unitaire) et est convertie en un chemin continu via une interpolation par spline cubique ou par Hermite, ce qui permet au modèle de gérer l'échantillonnage irrégulier et le bruit.

2. Architecture et Entraînement du Modèle NCDE

Concept Central : Contrairement aux RNN à temps discret, les NCDE modélisent l'évolution de l'état caché comme un processus en temps continu contrôlé par les données d'entrée. Le modèle est défini par l'équation différentielle :
$h(t) = h(t_0) + \int_{t_0}^{t} f_\theta(h(s)) dX(s)$
où $X(t)$ est le chemin interpolé et $f_\theta$ est un réseau de neurones régissant la dynamique.
Stratégie d'Entraînement : Le modèle NCDE est entraîné exclusivement sur des données sans Trojan. Son objectif est d'apprendre le comportement de puissance "nominal" du circuit et de prédire l'échantillon de puissance suivant étant donné une fenêtre d'échantillons précédents.
Optimisation : Le modèle NCDE minimise l'Erreur Quadratique Moyenne (MSE) entre les valeurs de puissance prédites et réelles en utilisant l'optimiseur AdamW et le scheduler OneCycleLR.

3. Prédiction et Détection d'Anomalies

Inférence : Lors des tests, le modèle NCDE entraîné traite de nouvelles traces de puissance. Il prédit l'échantillon suivant pour chaque fenêtre glissante.
Agrégation d'Erreur : L'erreur de prédiction au carré est calculée pour chaque fenêtre. Ces erreurs sont agrégées à travers la trace pour calculer une MSE globale.
Logique : Un circuit infecté par un Trojan dévie du comportement nominal appris, entraînant une MSE plus élevée par rapport à un circuit sain.

4. Classification Tripartite

Le système emploie un classificateur d'Analyse Discriminante Linéaire (LDA) pour catégoriser le dispositif dans trois états distincts basés sur la MSE :

Aucun Trojan : $MSE \leq b_{LDA}$ (où $b_{LDA}$ est la frontière optimale dérivée de la LDA).
Trojan Dormant : $b_{LDA} < MSE \leq T_{triggered}$ (Déviations subtiles indiquant une présence sans activation).
Trojan Actif : $MSE > T_{triggered}$ (Déviations prononcées indiquant l'exécution de la charge utile).

Note : Bien que $T_{triggered}$ soit défini conceptuellement, la validation expérimentale de la distinction dormant-vs-actif repose sur les niveaux d'injection de bruit en raison de l'absence de timestamps explicites de déclenchement dans le jeu de données de référence.

Contributions Clés

Nouvelle Classification Tripartite : L'article introduit un schéma de classification qui distingue entre "Aucun Trojan", "Trojan Dormant" et "Trojan Actif", allant au-delà de la détection binaire traditionnelle.
Application des NCDE aux Canaux Auxiliaires : Il adapte les NCDE pour modéliser la dynamique en temps continu des traces de puissance, gérant efficacement l'échantillonnage irrégulier et capturant les dépendances temporelles subtiles que les modèles discrets pourraient manquer.
Seuil de Détection de la Dormance : Le travail explore le seuil de sensibilité auquel le modèle peut détecter de manière fiable la présence d'un Trojan pendant qu'il reste dormant, identifiant une frontière critique pour la capacité de détection.
Implémentation Efficace de Fenêtre Glissante : Le cadre utilise une approche systématique de fenêtre glissante pour traiter les traces de puissance sans nécessiter de modifications matérielles.

Résultats Expérimentaux

Les auteurs ont validé HOODOO en utilisant le jeu de données TrustHub (circuits AES-128 et RS232 avec diverses variantes de Trojans) sur un GPU NVIDIA A16.

Performance de Base : Le modèle NCDE a démontré une forte capacité à prédire le comportement nominal du circuit (sans Trojan) et a présenté des déviations claires lorsque des Trojans étaient présents.
Sensibilité de Détection :
- La méthode a détecté avec succès les Trojans lorsque les niveaux de bruit/perturbation étaient $\geq 3\%$ de l'amplitude de crête de la trace de puissance.
- En dessous du seuil de 3 %, la capacité à distinguer un Trojan dormant d'un comportement normal s'est dégradée, indiquant une limitation actuelle de la sensibilité pour les Trojans extrêmement furtifs.
Comparaison avec l'État de l'Art :
- Comparé à MLNN, LSTM, HTM et les méthodes basées sur les LLM, HOODOO a obtenu une précision compétitive ou supérieure pour la détection de Trojans actifs (ex. : 95,4 % de précision au seuil de bruit de 3 %).
- Crucialement, HOODOO est la seule méthode de la comparaison qui offre une capacité de détection de la dormance (Classification à trois états), tandis que les autres sont limitées à une détection binaire (Propre vs Infecté) ou uniquement active.

Signification et Revendications

L'article affirme que HOODOO apporte une avancée significative dans la sécurité matérielle en permettant des mesures proactives. En détectant les Trojans dans leur état dormant, les équipes de sécurité peuvent identifier le matériel malveillant avant qu'il ne soit déclenché et ne cause une défaillance du système ou une fuite de données.

Les auteurs soulignent que leur approche :

Ne nécessite aucune modification matérielle.
Exploite la modélisation en temps continu des NCDE pour gérer l'irrégularité et le bruit inhérents aux signaux de canaux auxiliaires.
Offre une vision plus nuancée de la sécurité du système que la classification binaire.

Limitations Reconnues :
L'article note modestement que la détection suppose que les Trojans dormants produisent une empreinte de canal auxiliaire mesurable ; les Trojans induisant des variations inférieures à 3 % de l'amplitude de crête peuvent actuellement échapper à la détection. De plus, l'analyse de sensibilité utilise un bruit gaussien comme substitut, alors que les Trojans dormants réels peuvent présenter des signatures structurées et non gaussiennes. Les auteurs suggèrent que les travaux futurs devraient explorer des caractéristiques d'anomalies plus riches à partir des états latents des NCDE et des données de canaux auxiliaires multimodales pour améliorer la sensibilité.