Les puces électroniques modernes sont les moteurs silencieux de notre monde, alimentant tout, des dispositifs médicaux aux systèmes qui guident les avions. Ces minuscules circuits sont fabriqués en quantités massives, passant souvent par les mains de nombreuses entreprises différentes avant d'atteindre l'utilisateur final. Ce parcours complexe crée une vulnérabilité : un acteur malveillant pourrait insérer une modification minuscule et cachée dans la conception, un « cheval de Troie » numérique. Ce circuit caché pourrait rester dormant pendant des années, attendant un signal spécifique pour s'activer, moment auquel il pourrait voler des clés secrètes, interrompre un système ou dégrader les performances. Comme ces dispositifs sont souvent scellés à l'intérieur de boîtiers métalliques et que les modifications cachées sont conçues pour être presque invisibles, les experts en sécurité ne peuvent pas simplement regarder à l'intérieur pour les trouver. Au lieu de cela, ils doivent écouter le comportement physique de la puce. Lorsqu'une puce fonctionne, elle consomme de l'électricité, et cette consommation crée une signature de puissance faible et fluctuante. Un circuit malveillant caché, même lorsqu'il est au repos, altère légèrement ce flux électrique. En mesurant ces infimes ondulations électriques, les défenseurs espèrent détecter la présence d'une menace cachée sans jamais ouvrir la puce.

Pendant des années, les chercheurs se sont tournés vers l'apprentissage automatique pour automatiser ce processus d'écoute. Ils ont entraîné des programmes informatiques à reconnaître les signatures de puissance uniques de puces connues pour être infectées par ces modifications cachées. Les premiers rapports étaient incroyablement optimistes, affirmant que ces systèmes d'intelligence artificielle pouvaient identifier une puce malveillante avec une précision quasi parfaite, citant souvent des taux de réussite compris entre 87 et 100 pour cent. Ces chiffres suggéraient que nous avions résolu le problème du filtrage des puces pour les menaces cachées. Cependant, une nouvelle étude menée par des chercheurs de l'Université Prairie View A&M et de l'Université Wright State remet en question cette confiance. Ils soutiennent que ces scores élevés ne prouvent pas que les machines sont bonnes pour détecter de nouvelles menaces inconnues. Au lieu de cela, les scores reflètent un simple cas de familiarité. Les chercheurs ont découvert que la manière dont ces systèmes étaient testés leur permettait de reconnaître des puces qu'ils avaient déjà vues lors de leur entraînement, plutôt que d'identifier réellement un nouveau danger.

Le cœur du problème réside dans la façon dont les données ont été réparties pour les tests. Dans les études précédentes, les chercheurs prenaient des milliers de mesures de puissance provenant d'un ensemble de puces infectées et les mélangeaient de manière aléatoire en deux tas : un pour l'entraînement de l'ordinateur et un pour son test. Comme la même puce spécifique était utilisée pour générer les données d'entraînement et de test, l'ordinateur était essentiellement testé sur ses propres devoirs. Il apprenait à reconnaître le motif de bruit électrique particulier d'une puce spécifique qu'il avait déjà étudiée, plutôt que d'apprendre les règles générales de ce à quoi ressemble un circuit malveillant. C'est comme apprendre à un élève à reconnaître l'écriture manuscrite d'une personne spécifique, puis le tester sur cette même écriture ; il réussira haut la main, mais il échouerait probablement s'il devait identifier l'écriture d'un étranger. Les chercheurs ont réalisé que dans un scénario réel, la puce testée serait un dispositif complètement nouveau, un appareil que le système de sécurité n'a jamais rencontré auparavant.

Pour corriger cela, l'équipe a redessiné l'expérience pour qu'elle soit strictement équitable. Ils ont séparé les données de sorte qu'aucune puce unique n'apparaisse à la fois dans les groupes d'entraînement et de test. Ils ont entraîné l'ordinateur sur un ensemble de puces, puis l'ont testé sur une puce complètement différente qu'il n'avait jamais vue. Lorsqu'ils ont fait cela, les taux de réussite impressionnants ont disparu. La capacité du système à détecter les menaces cachées a chuté de manière spectaculaire, tombant à un niveau à peine supérieur à un choix aléatoire. Dans certains cas, le système était devenu moins bon qu'un choix aléatoire, identifiant activement des puces saines comme infectées ou manquant totalement les menaces. Cet effondrement s'est produit même lorsque les chercheurs ont essayé différents types de modèles informatiques avancés, prouvant que le problème n'était pas un manque de puissance de calcul ou un mauvais choix d'algorithme, mais une limitation fondamentale dans la façon dont les données se comportent.

L'étude a révélé que les signaux électriques provenant de ces menaces cachées sont incroyablement faibles et répartis sur l'ensemble de la mesure, ce qui les rend très difficiles à distinguer du bruit de fond normal. Les chercheurs ont constaté que le système ne pouvait réussir que s'il avait déjà vu une puce très similaire lors de son entraînement. Si un type spécifique de menace cachée était présent dans les données d'entraînement, le système pouvait repérer une nouvelle puce présentant cette même menace. Mais si les données d'entraînement ne comprenaient pas un parent proche de la menace sur la puce testée, le système échouait. Cette dépendance à la familiarité signifie qu'un programme de sécurité universel et pré-entraîné ne peut pas être construit pour scanner toutes les puces du monde. Au lieu de cela, pour détecter de manière fiable une menace sur un dispositif spécifique, les experts en sécurité doivent d'abord prendre un petit nombre de mesures de ce dispositif lui-même pour calibrer le système.

Les chercheurs ont testé cette idée en donnant au système seulement quelques mesures de la nouvelle puce avant de lui demander de rendre un jugement. Avec cette petite quantité d'informations spécifiques, la précision du système s'est considérablement améliorée, surpassant toute méthode qui tentait de s'appuyer sur des données provenant d'autres puces non liées. Cette découverte suggère que l'avenir de la sécurité des puces ne réside pas dans un modèle d'intelligence artificielle unique et omniscient. Au lieu de cela, cela nécessite une approche plus pratique où chaque dispositif est brièvement calibré avant d'être inspecté. L'étude conclut que les chiffres de précision élevés rapportés par le passé étaient une illusion créée par des méthodes de test erronées. La détection en conditions réelles est beaucoup plus difficile, nécessitant une approche sur mesure pour chaque nouvelle puce plutôt qu'une solution universelle. En changeant la façon dont nous testons ces systèmes, les chercheurs ont fourni une image plus claire et plus honnête de ce qui est possible et de ce qui est nécessaire pour maintenir la sécurité de notre infrastructure numérique.