Riepilogo Tecnico: BLADEI – Screening di Bitstream a Velocità di Linea Accelerato da Hardware

1. Enunciato del Problema

Mentre i Field-Programmable Gate Arrays (FPGA) diventano centrali negli ambienti cloud multi-tenant e nell'AI al bordo (edge-AI), il bitstream di configurazione è emerso come un confine critico per la sicurezza. Nei flussi di lavoro di riconfigurazione "just-in-time" dinamici, bitstream malevoli o manomessi possono incorporare Trojan hardware per rubare dati, manipolare l'inferenza o degradare l'affidabilità.

Gli approcci di sicurezza esistenti sono disallineati rispetto a questi vincoli dinamici:

• La verifica a tempo di progettazione richiede RTL o netlist affidabili, che spesso non sono disponibili in scenari non affidabili di "FPGA-as-a-Service" (FaaS).
• I metodi side-channel richiedono dispositivi di riferimento golden e ambienti controllati.
• Il reverse engineering e gli strumenti da bitstream a netlist comportano un elevato sovraccarico computazionale e sono spesso dipendenti dal fornitore, rendendoli inadatti per uno screening in tempo reale.

I recenti approcci basati sul machine learning hanno mostrato promesse nel rilevare circuiti malevoli all'interno dei bitstream, ma sono tipicamente valutati in ambienti offline di classe server. Spesso trascurano la latenza end-to-end e i limiti delle risorse delle piattaforme embedded, non affrontando i colli di bottiglia specifici del deployment in tempo reale.

2. Metodologia: Il Framework BLADEI

Gli autori propongono BLADEI (Bitstream-Level Abnormality Detection for Embedded Inference), un framework di screening a tempo di deployment che opera sui dati di configurazione grezzi senza richiedere codice sorgente, netlist o strumenti specifici del fornitore.

A. Architettura di Rilevamento

BLADEI impiega un modello di rilevamento ibrido costituito da due rami:

1. Caratteristiche di Sequenza: Una Rete Neurale Convoluzionale 1D (CNN) elabora la sequenza di byte grezzi per catturare firme strutturali locali e pattern di placement/routing unici per le inserzioni di Trojan.
2. Caratteristiche Statistiche: Un vettore a 278 dimensioni riassume le caratteristiche globali del bitstream, inclusi:
   • Istogrammi normalizzati delle frequenze dei byte (256 bin).
   • Statistiche di ordine superiore: entropia, varianza e tassi di transizione dei byte.
   • Queste caratteristiche vengono inviate a un'intestazione Random Forest per la classificazione della famiglia di progettazione (ad esempio, CRYPTO, MCU, BUS).

Gli output vengono concatenati e passati a un classificatore binario per il rilevamento dei Trojan.

B. Il "Muro del Preprocessing"

Attraverso la caratterizzazione a livello di sistema su un SoC Xilinx PYNQ-Z1, gli autori hanno identificato un collo di bottiglia critico:

• Latenza Totale: ~16,4 secondi per bitstream.
• Tempo di Inferenza: ~1,4 secondi (Predizione del modello).
• Tempo di Estrazione delle Caratteristiche: ~15,0 secondi (Elaborazione basata su software).

Lo studio rivela che l'elaborazione a livello di byte basata su software rappresenta il 92% della latenza totale. Questo "muro del preprocessing" impedisce al sistema di raggiungere un'applicazione della sicurezza quasi a velocità di linea, rendendo irrilevante la capacità di inferenza ad alta velocità del modello in un contesto in tempo reale.

C. Soluzione Proposta: Motore Accelerato da Hardware

Per superare questo collo di bottiglia, gli autori propongono di spostare il primitivo di estrazione delle caratteristiche dalla CPU alla Programmable Logic (PL) dell'FPGA tramite un Motore di Statistiche dei Byte.

• Architettura: Un modulo in streaming che opera sul percorso dati DMA utilizzando un'interfaccia AXI4-Stream.
• Operazione: Intercetta i dati del bitstream a velocità di linea (1 byte/ciclo) mentre vengono trasferiti dalla memoria al controller di configurazione.
• Moduli:
  • Unità Istogramma: Utilizza la Block RAM a Doppio Port per memorizzare le frequenze dei byte con logica di bypass interna per byte consecutivi identici.
  • Statistiche in Streaming: Utilizza le slice DSP48 per calcolare i totali in esecuzione per media e varianza in un singolo passaggio.
  • Entropia Approssimata: Utilizza una Tabella di Ricerca (LUT) pre-calcolata per approssimare l'entropia di Shannon senza calcoli di logaritmo in tempo reale.
  • Monitor di Transizione: Traccia i tassi di transizione dei byte per misurare la densità strutturale.
• Flusso di Lavoro: Il motore calcola il vettore di caratteristiche a 278 dimensioni in un singolo passaggio, sovrapponendo lo screening al trasferimento del bitstream. Il vettore viene scritto nella DRAM affinché il processore ARM lo consumi per la classificazione.

3. Valutazione Sperimentale

Il framework è stato valutato utilizzando un dataset di 1.383 bitstream generati da 23 benchmark della suite Trust-Hub, riprogettati per la piattaforma Xilinx PYNQ-Z1. Il dataset include sette famiglie di progettazione (CRYPTO, COMMS, MCU/CPU, BUS/DISPLAY, ITC99, ISCAS89, ISCAS85) con varianti sia benigne che con Trojan inseriti.

A. Prestazioni di Rilevamento

• Il modello CNN ibrido ha raggiunto un macro F1-score di 0,91, superando i baseline standard come SVM (0,62 F1) e Naive Bayes (0,58 F1).
• L'intestazione Random Forest ha raggiunto un'accuratezza quasi perfetta nella classificazione della famiglia di progettazione, confermando che le caratteristiche statistiche catturano una provenienza strutturale significativa.

B. Analisi di Latenza e Throughput

La valutazione ha confrontato tre scenari:

1. Software (CPU): Throughput di 0,26 MB/s con una latenza di 15,0 secondi per un bitstream di 3,86 MB.
2. Hardware Ideale (PL): Throughput di picco teorico di 100 MB/s (clock a 100 MHz, 1 byte/ciclo), riducendo la latenza a 38,6 ms.
3. Kernel HLS (Realizzato): Ha raggiunto un throughput effettivo di ~84 MB/s con una latenza di ~46 ms.

Ciò risulta in un'accelerazione realizzata di circa 320x, riducendo la latenza di estrazione delle caratteristiche da secondi all'intervallo dei millisecondi.

4. Contributi Chiave

1. Framework BLADEI: Un sistema di screening a tempo di deployment che rileva Trojan hardware direttamente dai bitstream grezzi senza strumenti del fornitore o codice sorgente.
2. Identificazione del "Muro del Preprocessing": Una caratterizzazione a livello di sistema che dimostra che nello screening FPGA embedded, la latenza è dominata dall'estrazione delle caratteristiche basata su software (92% del tempo totale), non dall'inferenza del modello.
3. Motore di Streaming Accelerato da Hardware: Un nuovo Motore di Statistiche dei Byte progettato per la PL FPGA che calcola le caratteristiche statistiche in un singolo passaggio sul percorso dati DMA, abilitando un preprocessing quasi a velocità di linea.
4. Validazione Empirica: Dimostrazione di un'accelerazione di 320x nell'estrazione delle caratteristiche, trasformando lo screening dei bitstream da un collo di bottiglia di diversi secondi a un primitivo con sovraccarico quasi nullo.

5. Significato e Affermazioni

Il documento posiziona lo screening a livello di bitstream come un "primitivo di prima classe" per la sicurezza del calcolo riconfigurabile. Gli autori affermano che il preprocessing accelerato da hardware è l'abilitatore chiave per la sicurezza delle macchine di calcolo personalizzate riconfigurabili di prossima generazione a velocità di linea.

Spostando il primitivo di sicurezza dalla CPU al percorso dati hardware, BLADEI abilita un'applicazione autonoma della sicurezza a tempo di deployment che può tenere il passo con i flussi di lavoro di riconfigurazione FPGA dinamici. Il lavoro suggerisce che la futura sicurezza per le pipeline da cloud a bordo dipende non solo da modelli di rilevamento migliori, ma da cambiamenti architetturali che eliminano il collo di bottiglia del preprocessing.

Gli autori rimangono modesti riguardo alle implicazioni future, notando che il lavoro attuale si concentra sui bitstream Xilinx e che sono necessarie ricerche future per validare la generalizzazione cross-fornitore (Intel, Lattice), l'implementazione del sistema su architetture diverse e la resilienza contro tecniche di offuscamento avversarie.