Familiarity, Not Detection: Rethinking Machine-Learning Hardware Trojan Detection Under Leakage-Free Side-Channel Evaluation

आधुनिक इलेक्ट्रॉनिक चिप्स हमारी दुनिया के शांत इंजन हैं, जो चिकित्सा उपकरणों से लेकर हवाई जहाजों को निर्देशित करने वाली प्रणालियों तक, सब कुछ संचालित करते हैं। इन सूक्ष्म सर्किटों का निर्माण बहुत बड़ी मात्रा में किया जाता है, जो अक्सर अंतिम उपयोगकर्ता तक पहुँचने से पहले कई अलग-अलग कंपनियों के हाथों से गुजरते हैं। यह जटिल यात्रा एक भेद्यता (vulnerability) पैदा करती है: एक दुर्भावनापूर्ण तत्व डिज़ाइन में एक छिपा हुआ, सूक्ष्म संशोधन, यानी एक डिजिटल "ट्रोजन हॉर्स" डाल सकता है। यह छिपा हुआ सर्किट वर्षों तक सुप्त अवस्था में रह सकता है, एक विशिष्ट संकेत के सक्रिय होने की प्रतीक्षा कर सकता है, जिस समय पर यह गुप्त कुंजियाँ चुरा सकता है, सिस्टम को बंद कर सकता है, या प्रदर्शन को कम कर सकता है। क्योंकि ये उपकरण अक्सर धातु के केसों के भीतर सील किए जाते हैं और छिपे हुए संशोधनों को लगभग अदृश्य होने के लिए डिज़ाइन किया गया है, सुरक्षा विशेषज्ञ उन्हें खोजने के लिए बस उनके अंदर नहीं देख सकते। इसके बजाय, उन्हें चिप के भौतिक व्यवहार को सुनना होगा। जब एक चिप काम करती है, तो वह बिजली की खपत करती है, और यह खपत एक मंद, उतार-चढ़ाव वाला पावर सिग्नेचर (power signature) बनाती है। एक छिपा हुआ दुर्भावनापूर्ण सर्किट, भले ही शांत हो, इस बिजली के प्रवाह को थोड़ा बदल देता है। इन सूक्ष्म विद्युत तरंगों को मापकर, रक्षक चिप को खोले बिना एक छिपे हुए खतरे की उपस्थिति का पता लगाने की उम्मीद करते हैं।

वर्षों से, शोधकर्ताओं ने इस सुनने की प्रक्रिया को स्वचालित करने के लिए मशीन लर्निंग का रुख किया है। उन्होंने कंप्यूटर प्रोग्रामों को उन चिप्स के अद्वितीय पावर सिग्नेचर को पहचानने के लिए प्रशिक्षित किया है जो ज्ञात रूप से इन छिपे हुए संशोधनों से संक्रमित हैं। शुरुआती रिपोर्टें अविश्वसनीय रूप से आशावादी थीं, जिसमें दावा किया गया था कि ये आर्टिफिशियल इंटेलिजेंस सिस्टम संक्रमित चिप्स की पहचान लगभग पूर्ण सटीकता के साथ कर सकते हैं, और अक्सर 87 से 100 प्रतिशत के बीच सफलता दर का उल्लेख किया गया। इन नंबरों ने सुझाव दिया कि हमने छिपे हुए खतरों के लिए चिप्स की स्क्रीनिंग की समस्या को हल कर लिया है। हालांकि, प्रैरी व्यू ए एंड एम यूनिवर्सिटी और राइट स्टेट यूनिवर्सिटी के शोधकर्ताओं का एक नया अध्ययन इस विश्वास को चुनौती देता है। उनका तर्क है कि ये उच्च स्कोर यह साबित नहीं करते कि मशीनें नए, अज्ञात खतरों को पहचानने में अच्छी हैं। इसके बजाय, ये स्कोर परिचितता के एक सरल मामले को दर्शाते हैं। शोधकर्ताओं ने पाया कि इन प्रणालियों के परीक्षण के तरीके ने उन्हें उन चिप्स को पहचानने की अनुमति दी जिन्हें उन्होंने अपने प्रशिक्षण के दौरान पहले ही देख लिया था, न कि वास्तव में एक नए खतरे की पहचान करने की।

समस्या का मूल डेटा को परीक्षण के लिए विभाजित करने के तरीके में निहित है। पिछले अध्ययनों में, शोधकर्ताओं ने संक्रमित चिप्स के एक सेट से हजारों पावर माप लिए और उन्हें बेतरतीब ढंग से दो ढेरों में बांट दिया: एक उन्हें प्रशिक्षित करने के लिए और एक उनका परीक्षण करने के लिए। चूंकि उसी विशिष्ट चिप का उपयोग प्रशिक्षण और परीक्षण दोनों डेटा उत्पन्न करने के लिए किया गया था, इसलिए कंप्यूटर अनिवार्य रूप से अपने ही होमवर्क पर परीक्षण कर रहा था। इसने उस विशिष्ट विद्युत शोर पैटर्न को पहचानना सीख लिया जिसे उसने पहले ही पढ़ लिया था, बजाय इसके कि वह इस सामान्य नियम को सीख सके कि एक दुर्भावनापूर्ण सर्किट कैसा दिखता है। यह किसी व्यक्ति के हस्तलेख (handwriting) को पहचानने के लिए छात्र को सिखाने और फिर उसी व्यक्ति के लेखन पर उसका परीक्षण करने जैसा है; वे शानदार अंकों के साथ पास होंगे, लेकिन यदि उन्हें किसी अजनबी के हस्तलेख को पहचानने के लिए कहा जाएगा तो वे विफल हो सकते हैं। शोधकर्ताओं ने महसूस किया कि वास्तविक दुनिया के परिदृश्य में, परीक्षण किया जाने वाला चिप एक पूरी तरह से नया उपकरण होगा, जिसे सुरक्षा प्रणाली ने पहले कभी नहीं देखा होगा।

इसे ठीक करने के लिए, टीम ने प्रयोग को कड़ाई से निष्पक्ष बनाने के लिए पुनर्ग डिज़ाइन किया। उन्होंने डेटा को इस तरह अलग किया कि कोई भी एकल चिप प्रशिक्षण और परीक्षण समूहों में शामिल न हो। उन्होंने कंप्यूटर को चिप्स के एक सेट पर प्रशिक्षित किया और फिर उसे एक पूरी तरह से अलग चिप पर टेस्ट किया जिसे उसने पहले कभी नहीं देखा था। जब उन्होंने ऐसा किया, तो प्रभावशाली सफलता दर गायब हो गई। छिपे हुए खतरों का पता लगाने की सिस्टम की क्षमता नाटकीय रूप से गिर गई, जो कि केवल रैंडम अनुमान (random guessing) से थोड़ा ही बेहतर थी। कुछ मामलों में, यह सिस्टम रैंडम चांस से भी बदतर हो गया, जिससे साफ चिप्स को संक्रमित बता दिया गया या खतरों को पूरी तरह से अनदेखा कर दिया गया। यह पतन तब भी हुआ जब शोधकर्ताओं ने विभिन्न प्रकार के उन्नत कंप्यूटर मॉडल आज़माए, जिससे यह सिद्ध हुआ कि समस्या कंप्यूटिंग शक्ति की कमी या खराब एल्गोरिदम के चुनाव में नहीं थी, बल्कि डेटा के व्यवहार में एक मौलिक सीमा थी।

अध्ययन से पता चला कि इन छिपे हुए खतरों के विद्युत संकेत अविश्वसनीय रूप से मंद होते हैं और पूरे माप में फैले होते हैं, जिससे उन्हें सामान्य बैकग्राउंड नॉइज़ से अलग करना बहुत कठिन हो जाता है। शोधकर्ताओं ने पाया कि सिस्टम केवल तभी सफल हो सकता था यदि उसने अपने प्रशिक्षण के दौरान एक बहुत ही समान चिप देखी हो। यदि प्रशिक्षण डेटा में एक विशिष्ट प्रकार का छिपा हुआ खतरा मौजूद था, तो सिस्टम उस समान खतरे वाले नए चिप को पहचान सकता था। लेकिन यदि प्रशिक्षण डेटा में टेस्ट चिप पर मौजूद खतरे का कोई करीबी संबंधी शामिल नहीं था, तो सिस्टम विफल हो गया। इस परिचितता की निर्भरता का अर्थ है कि एक सार्वभौमिक, प्री-ट्रेन्ड सुरक्षा कार्यक्रम नहीं बनाया जा सकता है जो दुनिया के हर चिप को स्कैन कर सके। इसके बजाय, किसी विशिष्ट नए डिवाइस पर विश्वसनीय रूप से खतरे का पता लगाने के लिए, सुरक्षा विशेषज्ञों को पहले उस विशिष्ट डिवाइस के स्वयं के कुछ माप लेने होंगे ताकि सिस्टम को कैलिब्रेट किया जा सके।

शोधकर्ताओं ने इस विचार का परीक्षण करने के लिए सिस्टम को निर्णय लेने के लिए कहने से पहले उस नए चिप से कुछ ही माप दिए। इस छोटी मात्रा में विशिष्ट जानकारी के साथ, सिस्टम की सटीकता में काफी सुधार हुआ, जिसने उन सभी तरीकों को पछाड़ दिया जिन्होंने अन्य, असंबंधित चिप्स के डेटा पर निर्भर रहने की कोशिश की थी। यह निष्कर्ष बताता है कि चिप सुरक्षा का भविष्य एक एकल, सर्वज्ञ आर्टिफिशियल इंटेलिजेंस मॉडल में नहीं है। इसके बजाय, इसमें एक अधिक व्यावहारिक दृष्टिकोण की आवश्यकता है जहाँ प्रत्येक डिवाइस को स्क्रीनिंग से पहले संक्षिप्त रूप से कैलिब्रेट किया जाए। अध्ययन यह निष्कर्ष निकालता है कि अतीत में रिपोर्ट की गई उच्च सटीकता के आंकड़े दोषपूर्ण परीक्षण विधियों द्वारा बनाई गई एक भ्रम थे। वास्तविक दुनिया का पता लगाना बहुत कठिन है, जिसके लिए हर नए चिप के लिए एक अनुकूलित दृष्टिकोण की आवश्यकता होती है, न कि 'वन-साइज़-फिट्स-ऑल' समाधान की। इन प्रणालियों को परीक्षण करने के तरीके को बदलकर, शोधकर्ताओं ने एक स्पष्ट, अधिक ईमानदार तस्वीर प्रदान की है कि क्या संभव है और हमारे डिजिटल बुनियादी ढांचे को सुरक्षित रखने के लिए क्या आवश्यक है।