SubNM-Technology-Node-Aware Hardware Trojan Detection via Multi-Library Netlist Synthesis and Modular Graph Neural Networks
यह शोध पत्र SubNM का प्रस्ताव करता है, जो एक टेक्नोलॉजी-नोड-अवेयर हार्डवेयर ट्रोजन डिटेक्शन फ्रेमवर्क है, जो मल्टी-लाइब्रेरी नेटलिस्ट सिंथेसिस और मॉड्यूलर ग्राफ न्यूरल नेटवर्क का लाभ उठाकर विविध सेमीकंडक्टर प्रोसेस नोड्स में लगभग पूर्ण डिटेक्शन सटीकता और मजबूत सामान्यीकरण प्राप्त करता है, जो सिंगल-कॉन्फ़िगरेशन मूल्यांकन विधियों की सीमाओं को दूर करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कंप्यूटर चिप्स की दुनिया की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जिसे हजारों अलग-अलग वास्तुकारों (architects) द्वारा बनाया गया है। प्रत्येक वास्तुकार की अपनी अनूठी शैली, अपने स्वयं के निर्माण खंड (building blocks) और अपनी खुद की सड़कें बिछाने का अपना तरीका है। वास्तविक दुनिया में, ये "वास्तुकार" वे कंपनियाँ हैं जो हमारे फोन और कंप्यूटर के भीतर छोटे ट्रांजिस्टर और लॉजिक गेट्स को डिजाइन करती हैं, और "निर्माण खंड" वे स्टैंडर्ड सेल लाइब्रेरी हैं जिनका उपयोग उन्हें बनाने के लिए किया जाता है। जब एक चिप डिजाइनर एक ब्लूप्रिंट (जिसे RTL डिजाइन कहा जाता है) बनाता है, तो उसे अक्सर उसी शहर को अलग-अलग मोहल्लों के लिए फिर से बनाना पड़ता है—शायद एक मोहल्ला 1980 के दशक की विशाल, मजबूत ईंटों का उपयोग करता है, जबकि दूसरा आज की सूक्ष्म, उच्च-तकनीकी नैनो-ईंटों का उपयोग करता है।
समस्या यह है कि चालाक अपराधी, जिन्हें हार्डवेयर ट्रोजन (Hardware Trojans) कहा जाता है, इन शहरों में छिपना पसंद करते हैं। एक ट्रोजन एक छोटा, दुर्भावनापूर्ण कोड या सर्किट्री है जिसे चिप में डाला जाता है जो रहस्य चुरा सकता है, सिस्टम को बंद कर सकता है, या इसे अजीब तरह से व्यवहार करने के लिए मजबूर कर सकता है। आमतौर पर, ये अपराधी छलावरण (camouflage) के विशेषज्ञ होते हैं; वे सामान्य शहर के हिस्से की तरह दिखने के लिए सादे दिखते हैं। लंबे समय तक, सुरक्षा गार्ड (डिटेक्शन टूल्स) को एक विशिष्ट मोहल्ले में इन अपराधियों को पहचानने के लिए प्रशिक्षित किया गया है। वे जानते हैं कि 180-नैनोमीटर जिले में एक "सामान्य" ईंट कैसी दिखती है, लेकिन यदि शहर को 28-नैनोमीटर ईंटों के साथ फिर से बनाया जाता है, तो गार्ड भ्रमित हो जाता है। अपराधी अलग दिखता है क्योंकि निर्माण सामग्री बदल गई है, भले ही अपराधी की योजना वही रही हो। यह शोध इस पेचीदा सवाल से निपटता है: हम उस चोर को कैसे पकड़ें जो हर बार शहर के पुनर्निर्माण के साथ अपना भेष बदल लेता है?
इस अध्ययन के पीछे के शोधकर्ताओं, अनिदिता चट्टोपाध्याय, सिद्धार्थ बिसरिया और विजय कुमार सुत्रकर ने एक सुपर-स्मार्ट सुरक्षा गार्ड बनाने का निर्णय लिया जो केवल एक मोहल्ले के रूप में नहीं, बल्कि शहर के सार (essence) को समझता है, चाहे जो भी ईंटों का उपयोग किया जाए। वे अपने नए सिस्टम को SubNM कहते हैं।
यह समझने के लिए कि उन्होंने यह कैसे किया, कल्पना करें कि आप एक जंगल में एक विशिष्ट, अजीब आकार के पेड़ को खोजने की कोशिश कर रहे हैं। यदि आप केवल पाइन के पेड़ों वाले जंगल में देखते हैं, तो आपको लग सकता है कि एक अजीब आकार का पाइन ही लक्ष्य है। लेकिन यदि जंगल अचानक ओक के जंगल में बदल जाता है, तो वही अजीब आकार बिल्कुल अलग दिख सकता है। पुराने सुरक्षा गार्ड (पिछले डिटेक्शन टूल्स) उन लोगों की तरह थे जो केवल पाइन के जंगलों को जानते थे। यदि पेड़ बदल जाते, तो वे खो जाते।
SubNM की टीम ने महसूस किया कि अपराधियों को पकड़ने के लिए, उन्हें अपने गार्ड को एक साथ हर प्रकार के जंगल पर प्रशिक्षित करने की आवश्यकता थी। उन्होंने कंप्यूटर सर्किट के लिए 21 अलग-अलग "ब्लूप्रिंट" (कुछ सरल, कुछ विशाल औद्योगिक) लिए और प्रत्येक को चार बहुत अलग सेटों के निर्माण खंडों का उपयोग करके फिर से बनाया, जो 180 नैनोमीटर से लेकर 28 नैनोमीटर तक की तकनीक का प्रतिनिधित्व करते हैं। इसने एक ही सर्किट के 84 अलग-अलग संस्करणों की एक विशाल लाइब्रेरी बनाई। यह एक ही घर के डिजाइन को लकड़ी, फिर स्टील, फिर कांच, और फिर भविष्य की प्लास्टिक से बनाने जैसा है, ताकि यह देखा जा सके कि उनके अंदर छिपे "बुरे आदमी" का प्रत्येक संस्करण कैसा दिखेगा।
इसके बाद उन्होंने एक विशेष प्रकार के आर्टिफिशियल इंटेलिजेंस, जिसे ग्राफ न्यूरल नेटवर्क (GNN) कहा जाता है, को इन सर्किटों को केवल भागों की सूची के रूप में नहीं, बल्कि कनेक्शन के मानचित्रों के रूप में देखने के लिए प्रशिक्षित किया। एक सर्किट को सबवे मैप की तरह सोचें जहाँ स्टेशन लॉजिक गेट्स हैं और ट्रैक तार (wires) हैं। AI ने यह सीखने के लिए "बुरे स्टेशनों" (Trojons) को पहचाना कि वे मानचित्र के बाकी हिस्सों से कैसे जुड़े हुए हैं। लेकिन यहाँ जादू का कमाल है: उन्होंने AI को एक विशेष चश्मा दिया। ये चश्मे केवल कनेक्शन ही नहीं देखते थे; वे यह भी देखते थे कि प्रत्येक स्टेशन किस प्रकार की निर्माण सामग्री से बना है। इसने AI को यह समझने में सक्षम बनाया कि 180nm के जंगल में एक "अजीब कनेक्शन" 28nm के जंगल में अलग दिख सकता है, लेकिन अपराध का पैटर्न समान रहता है।
परिणाम प्रभावशाली थे। जब उन्होंने केवल एक प्रकार की निर्माण सामग्री पर अपने AI का परीक्षण किया, तो यह पहले से ही काफी अच्छा था, जिसने सामग्री के आधार पर लगभग 93% से 85% तक बुरे लोगों को पकड़ा। लेकिन जब उन्होंने अपने नए "मल्टी-मटेरियल" प्रशिक्षण पद्धति (SubNM) का उपयोग किया, तो AI एक मास्टर डिटेक्टिव बन गया। इसने 98.8% से 99.5% के बीच के ट्रोजन्स को पकड़ना शुरू कर दिया, चाहे शहर किसी भी निर्माण सामग्री से बना हो।
इससे भी अधिक रोमांचक बात यह है कि उन्होंने परीक्षण किया कि क्या AI एक सेट मोहल्लों से सीख सकता है और फिर तुरंत एक बिल्कुल नए, अनदेखे मोहल्ले में अपराधियों को पकड़ना शुरू कर सकता है। यह लकड़ी और स्टील के शहरों पर गार्ड को प्रशिक्षित करने और फिर उन्हें एक कांच के शहर में भेजने जैसा है जिसे उसने पहले कभी नहीं देखा है। AI ने केवल अनुमान नहीं लगाया; इसने उच्च विश्वास के साथ प्रदर्शन किया, नए वातावरण में लगभग 97% बुरे लोगों को पकड़ा। यह साबित करता है कि AI ने केवल ईंटों के रूप को नहीं, बल्कि अपराध के वास्तविक आकार को सीखा था।
शोध पत्र ने अपने नए सिस्टम की तुलना क्षेत्र के अन्य शीर्ष सुरक्षा गार्डों से भी की। जबकि अन्य सरल सर्किटों में ट्रोजन्स को पकड़ने में माहिर थे, वे अक्सर तब लड़खड़ा जाते थे जब सर्किट बहुत बड़े और जटिल हो जाते थे, या जब ट्रोजन्स बहुत छोटे और छिपे हुए होते थे। हालाँकि, SubNM ने अपना धैर्य बनाए रखा, और अपने द्वारा परीक्षण किए गए सबसे बड़े, सबसे जटिल सर्किटों में लगभग हर एक बुरे आदमी को पकड़ा, जिसमें 1,00,000 से अधिक भागों वाला एक विशाल औद्योगिक डिजाइन भी शामिल था।
संक्षेप में, यह शोध पत्र सुझाव देता है कि यदि हम अपने सुरक्षा प्रणालियों को यह समझने के लिए प्रशिक्षित करते हैं कि तकनीक सर्किट के स्वरूप को कैसे बदलती है, तो हम हार्डवेयर चोरी के खिलाफ एक बहुत मजबूत ढाल बना सकते हैं। शोधकर्ताओं ने केवल एक प्रकार की चिप के लिए बेहतर तरीका नहीं खोजा; उन्होंने एक लचीला, अनुकूलनीय उपकरण बनाया जो आधुनिक तकनीक के पूरे स्पेक्ट्रम में काम करता है, यह सुनिश्चित करता है कि जैसे-जैसे हमारे चिप्स छोटे और अधिक जटिल होते जाएंगे, बुरे लोग कपड़ों के बदलाव के पीछे नहीं छिप पाएंगे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।