💻 computer science

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

Questo articolo propone un nuovo framework di rilevamento di Trojan hardware che utilizza le Equazioni Differenziali Controllate Neurali (NCDE) per modellare le tracce di potenza nominali e un classificatore di Analisi Discriminante Lineare (LDA) per identificare e distinguere tra Trojan dormienti e attivi, raggiungendo una precisione superiore e capacità di rilevamento precoce rispetto ai metodi tradizionali di apprendimento automatico.

Autori originali: Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

Pubblicato 2026-07-28

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate il mondo dei chip per computer come una vivace città hi-tech costruita all'interno di un minuscolo quartiere di silicio. Ogni giorno, miliardi di piccoli lavoratori (transistor) seguono istruzioni rigorose per far funzionare il vostro telefono, la vostra auto o il vostro laptop senza intoppi. Ma cosa succederebbe se alcuni di questi lavoratori fossero stati segretamente assunti da un cattivo? Questi non sono solo lavoratori pigri; sono "Hardware Trojan". Sono modifiche subdole e nascoste, piantate all'interno del design del chip. La maggior parte del tempo restano perfettamente immobili, fingendo di essere normali, in attesa di un segnale segreto per svegliarsi e causare il caos — come rubare le vostre password o bloccare un sistema. La parte spaventosa è che, una volta svegli, è spesso troppo tardi per fermarli.

Per anni, gli esperti di sicurezza hanno cercato di catturare queste spie digitali, ma è come cercare di scovare un fantasma in una stanza affollata. I metodi tradizionali cercano di ispezionare i progetti (il design) o di testare i lavoratori uno alla volta, ma queste spie sono troppo brave a nascondersi. Si presentano solo quando vogliono, o si nascondono così bene che i test standard non riescono a rilevarle. È qui che entra in gioco un nuovo tipo di detective, uno che non si limita a guardare i lavoratori, ma ascolta il "battito cardiaco" della città. Osservando quanta elettricità consuma il chip (la sua traccia di potenza), gli esperti possono sentire il debole e irregolare battito di una spia nascosta. Tuttavia, questi segnali sono disordinati e cambiano costantemente, rendendoli difficili da leggere con gli strumenti della vecchia scuola.

Entra in scena la ricerca della California State University, Long Beach, che ha costruito un nuovo tipo di detective digitale chiamato HOODOO. Pensate a HOODOO come a un ascoltatore super intelligente e continuo che non si limita a scattare istantanee dell'uso energetico del chip, ma osserva il flusso di elettricità come un fiume. Invece di controllare il livello dell'acqua ogni secondo (il che potrebbe far perdere un minuscolo increspatura), HOODOO utilizza uno strumento matematico chiamato Neural Controlled Differential Equations (NCDEs). Potete immaginare le NCDE come una lente magica che trasforma una linea di dati irregolare e frammentata in una storia fluida e continua. Questo permette al sistema di imparare esattamente che suono ha un chip "sano" mentre svolge il suo normale lavoro.

Il genio di questo articolo risiede nel modo in cui HOODOO individua il problema. Il sistema viene addestrato solo su chip che sono noti per essere puliti. Impara il ritmo perfetto di un chip privo di Trojan. Poi, quando ascolta un nuovo chip, cerca di prevedere il battito successivo del ritmo. Se il chip è pulito, la previsione è perfetta. Ma se un Trojan si nasconde — anche se è ancora addormentato (dormiente) — esso crea un piccolo, quasi invisibile sussulto nel ritmo. Poiché HOODOO è così sensibile al flusso del tempo, nota queste minuscole deviazioni che altri metodi perdono. L'articolo mostra che questo approccio può distinguere con successo tra tre scenari: un chip senza spie, un chip con una spia addormentata e un chip in cui la spia si è già svegliata e sta causando problemi.

Nei loro esperimenti, il team ha testato questo metodo su standard hardware benchmark, inclusi chip progettati per la crittografia e la comunicazione seriale. Hanno scoperto che HOODOO poteva rilevare in modo affidabile queste minacce nascoste. Nello specifico, il sistema è stato in grado di individuare un Trojan "dormiente" quando la deviazione di potenza era almeno del 3% del valore di picco della potenza. Al di sotto di questa soglia del 3%, il segnale diventava troppo debole per essere distinto dal normale rumore di fondo, suggerendo un limite a quanto piccolo possa essere un espione prima di rimanere invisibile a questo specifico metodo. Tuttavia, per qualsiasi valore superiore a quello, il metodo si è dimostrato altamente efficace, superando le tecniche di machine learning più datate come le LSTM e le reti neurali multistrato (Multi-Layer Neural Networks), che spesso faticano con la natura disordinata e irregolare dei dati di potenza del mondo reale.

L'articolo non sostiene di aver risolto il problema della sicurezza dell'hardware per sempre, né suggerisce che HOODOO possa catturare ogni singolo possibile spia. Gli autori sottolineano con cautela che il loro metodo si basa sul fatto che il Trojan lasci un "impronta" misurabile nell'uso della potenza. Se una spia è progettata per essere perfettamente silenziosa o se il rumore nell'ambiente è troppo elevato, il rilevamento diventa più difficile. Inoltre, mentre il sistema è eccellente nel distinguere tra "pulito" e "infetto", distinguere tra un Trojan "dormiente" e uno "attivo" ha richiesto alcuni passaggi extra che coinvolgevano l'iniezione di rumore nei loro test, poiché i dataset standard non fornivano i timestamp esatti di quando le spie si sono svegliate.

In definitiva, questa ricerca suggerisce che trattando le tracce di potenza come una storia continua e fluida, piuttosto che come una serie di punti disconnessi, possiamo catturare queste spie hardware molto prima. Il framework HOODOO offre un nuovo modo promettente per mantenere sicure le nostre città digitali, non limitandosi ad aspettare che suoni l'allarme, ma ascoltando il più tenue sussurro di un piano segreto prima ancora che abbia inizio.

Sintesi Tecnica: Rilevamento Precoce di Hardware Trojan tramite Equazioni Differenziali Controllate Neurali e Analisi delle Tracce di Potenza

Problematica

Gli evolving Hardware Trojan (HT) rappresentano una minaccia critica per i moderni sistemi digitali, alterando furtivamente i circuiti integrati (IC) per causare accessi non autorizzati, fuga di dati o guasti al sistema. I metodi di rilevamento tradizionali affrontano limitazioni significative:

I metodi statici (es. test logici, analisi statica) faticano con la scalabilità e non riescono a identificare i Trojan con trigger di attivazione rari.
I metodi dinamici che utilizzano reti neurali standard (es. RNN, LSTM) richiedono spesso ingenti risorse computazionali e possono fallire nel catturare la natura irregolare e ad alta dimensionalità dei segnali side-channel, come il consumo di potenza.
Il Gap della Dormienza: La maggior parte degli approcci esistenti si concentra esclusivamente sul rilevamento di Trojan attivi. Essi mancano della capacità di identificare Trojan che sono fisicamente presenti ma attualmente dormienti (non ancora attivati), lasciando una finestra critica per violazioni della sicurezza prima che il payload malevolo venga eseguito.

Metodologia: Il Framework HOODOO

Gli autori propongono HOODOO (Hardware TrOjan deTectiOn and preDictiOn framewOrk), un approccio innovativo che combina le Equazioni Differenziali Controllate Neurali (NCDE) con l'analisi side-channel della potenza. Il framework opera attraverso quattro fasi principali:

1. Acquisizione e Pre-elaborazione dei Dati

Input: Tracce di consumo di potenza ad alta risoluzione provenienti da piattaforme hardware (specificamente utilizzando benchmark TrustHub su schede FPGA).
Finestra Scorrevole (Sliding Window): Le tracce sono segmentate in finestre di $W=50$ campioni.
Elaborazione: Ogni finestra subisce una normalizzazione (media zero, varianza unitaria) ed è convertita in un percorso continuo tramite interpolazione spline cubica o cubica di Hermite. Ciò consente al modello di gestire il campionamento irregolare e il rumore.

2. Architettura e Addestramento del Modello NCDE

Concetto Core: A differenza delle RNN a tempo discreto, le NCDE modellano l'evoluzione dello stato nascosto come un processo a tempo continuo controllato dai dati di input. Il modello è definito dall'equazione differenziale:
$h(t) = h(t_0) + \int_{t_0}^{t} f_\theta(h(s)) dX(s)$
dove $X(t)$ è il percorso di input interpolato e $f_\theta$ è una rete neurale che governa la dinamica.
Strategia di Addestramento: Il modello NCDE è addestrato esclusivamente su dati privi di Trojan. Il suo obiettivo è apprendere il comportamento di potenza "nominale" del circuito e prevedere il campione di potenza successivo dato una finestra di campioni precedenti.
Ottimizzazione: Il modello minimizza l'Errore Quadratico Medio (MSE) tra i valori di potenza previsti e quelli reali utilizzando l'ottimizzatore AdamW e lo scheduler OneCycleLR.

3. Predizione e Rilevamento delle Anomalie

Inferenza: Durante il test, il modello NCDE addestrato elabora le nuove tracce di potenza. Esso predice il campione successivo per ogni finestra scorrevole.
Aggregazione dell'Errore: L'errore di predizione al quadrato viene calcolato per ogni finestra. Questi errori vengono aggregati attraverso la traccia per calcolare un MSE globale.
Logica: Un circuito infettato da un Trojan devia dal comportamento nominale appreso, risultando in un MSE più elevato rispetto a un circuito pulito.

4. Classificazione a Tre Vie

Il sistema utilizza un classificatore di Analisi Discriminante Lineare (LDA) per categorizzare il dispositivo in tre stati distinti in base all'MSE:

Nessun Trojan: $MSE \leq b_{LDA}$ (dove $b_{LDA}$ è il confine ottimale derivato da LDA).
Trojan Dormiente: $b_{LDA} < MSE \leq T_{triggered}$ (Deviazioni sottili che indicano la presenza senza attivazione).
Trojan Attivo: $MSE > T_{triggered}$ (Deviazioni pronunciate che indicano l'esecuzione del payload).

Nota: Sebbene $T_{triggered}$ sia definito concettualmente, la validazione sperimentale per la distinzione tra dormiente e attivo si basa sui livelli di iniezione di rumore a causa della mancanza di timestamp espliciti dei trigger nel dataset di benchmark.

Contributi Chiave

Classificazione Innovativa a Tre Vie: Il documento introduce uno schema di classificazione che distingue tra "Nessun Trojan", "Trojan Dormiente" e "Trojan Attivo", andando oltre il tradizionale rilevamento binario.
Applicazione delle NCDE ai Side-Channel: Adatta le NCDE per modellare la dinamica a tempo continuo delle tracce di potenza, gestendo efficacemente il campionamento irregolare e catturando dipendenze temporali sottili che i modelli discreti potrebbero perdere.
Soglia di Rilevamento della Dormienza: Il lavoro esplora la soglia di sensibilità alla quale il modello può rilevare in modo affidabile la presenza di un Trojan mentre rimane dormiente, identificando un confine critico per la capacità di rilevamento.
Implementazione Efficiente della Finestra Scorrevole: Il framework utilizza un approccio sistematico a finestra scorrevole per elaborare le tracce di potenza senza richiedere modifiche all'hardware.

Risultati Sperimentali

Gli autori hanno validato HOODOO utilizzando il dataset TrustHub (circuiti AES-128 e RS232 con varie varianti di Trojan) su una GPU NVIDIA A16.

Prestazioni Baseline: Il modello NCDE ha dimostrato una forte capacità di predire il comportamento nominale del circuito (privo di Trojan) e ha mostrato chiare deviazioni quando i Trojan erano presenti.
Sensibilità del Rilevamento:
- Il metodo ha rilevato con successo i Trojan quando i livelli di rumore/perturbazione erano $\geq 3\%$ dell'ampiezza di picco della traccia di potenza.
- Al di sotto della soglia del 3%, la capacità di distinguere i Trojan dormienti dal comportamento normale è degradata, indicando un limite attuale nella sensibilità per i Trojan estremamente furtivi.
Confronto con lo Stato dell'Arte:
- Rispetto a MLNN, LSTM, HTM e metodi basati su LLM, HOODOO ha ottenuto un'accuratezza competitiva o superiore per il rilevamento di Trojan attivi (es. accuratezza del 95,4% alla soglia di rumore del 3%).
- Fondamentalmente, HOODOO è l'unico metodo nel confronto che offre una capacità di rilevamento del Trojan dormiente (Classificazione a tre stati), mentre gli altri sono limitati al rilevamento binario (Pulito vs Infetto) o al solo rilevamento di Trojan attivi.

Significato e Rivendicazioni

Il documento sostiene che HOODOO fornisca un avanzamento significativo nella sicurezza dell'hardware abilitando misure proattive. Rilevando i Trojan nel loro stato dormiente, i team di sicurezza possono identificare l'hardware malevolo prima che venga attivato e causi guasti al sistema o fuga di dati.

Gli autori sottolineano che il loro approccio:

Non richiede modifiche all'hardware.
Sfrutta la modellazione a tempo continuo delle NCDE per gestire l'irregolarità e il rumore intrinseci dei segnali side-channel.
Offre una visione più sfumata della sicurezza del sistema rispetto alla classificazione binaria.

Limitazioni Riconosciute:
Il documento nota con modestia che il rilevamento assume che i Trojan dormienti producano un'impronta side-channel misurabile; i Trojan che inducono variazioni inferiori al 3% dell'ampiezza di picco potrebbero attualmente eludere il rilevamento. La sensibilità analizzata utilizza il rumore gaussiano come proxy, mentre i reali Trojan dormienti potrebbero presentare firme strutturate e non gaussiane. Gli autori suggeriscono che il lavoro futuro dovrebbe esplorare caratteristiche di anomalia più ricche dagli stati latenti delle NCDE e dati side-channel multimodali per migliorare la sensibilità.