A Deep Cross Neural Network Framework for Stealthy Hardware Trojan Identification in FPGA

Sintesi Tecnica: Un Framework di Rete Neurale Profonda Cross per l'Identificazione di Hardware Trojan Occulti in FPGA

Definizione del Problema
La crescente dipendenza dai Field Programmable Gate Arrays (FPGA) in applicazioni critiche per la sicurezza (ad es., crittografia, aerospazio, difesa) ha aumentato la vulnerabilità agli attacchi di Hardware Trojan (HT). Questi circuiti malevoli vengono inseriti intenzionalmente durante la progettazione o la fabbricazione per alterare la funzionalità, degradare le prestazioni o sottrarre dati. I metodi di rilevamento tradizionali affrontano sfide significative:

• Occultamento (Stealth): I Trojan sono progettati con condizioni di attivazione rare e impronte fisiche minime, eludendo spesso i test funzionali.
• Limitazioni delle Tecniche Esistenti: Il testing funzionale richiede pattern di test impraticabili per progetti di grandi dimensioni. L'analisi dei canali laterali (potenza, timing) è sensibile alle variazioni di processo e al rumore ambientale. La verifica formale o l'ingegneria inversa richiedono spesso modelli di riferimento "golden" affidabili e elevate risorse computazionali.
• Lacune nel Machine Learning: Sebbene il machine learning (ML) offra potenzialità, i classificatori esistenti spesso trattano le caratteristiche in modo indipendente, faticano a generalizzare su diverse architetture e rimangono vulnerabili alla manipolazione avversaria o alla scarsità di dati.

Metodologia
Il documento propone un nuovo framework che utilizza un classificatore a Rete Neurale Profonda Cross (DCNN) per rilevare gli HT in circuiti VLSI basati su FPGA. L'approccio è progettato per minimizzare la dipendenza dai modelli di riferimento golden sfruttando l'apprendimento delle caratteristiche correlate. Il flusso di lavoro consiste in tre fasi primarie:

1. Pre-elaborazione dei Dati:

   • Fonte: Lo studio utilizza il dataset benchmark di Trojan a livello di chip Trust-Hub, contenente oltre 100 design diversificati (ad es., AES, RS232, microcontrollori) con varianti sia prive di Trojan che infette da Trojan.
   • Estrazione delle Caratteristiche: Vengono estratte caratteristiche strutturali (conteggio delle porte, fan-in/fan-out, lunghezze dei percorsi del segnale) e caratteristiche funzionali/dinamiche (attività di commutazione, tassi di toggle, statistiche di potenza) dai netlist e dalle tracce di simulazione.
   • Pulizia e Normalizzazione: I dati vengono puliti per gestire valori mancanti e outlier. Le caratteristiche vengono normalizzate (min-max o z-score) e bilanciate tramite tecniche come SMOTE per affrontare gli squilibri delle classi. Il dataset viene suddiviso in set di addestramento, validazione e test.

2. Clustering:

   • Prima della classificazione, l'insieme di caratteristiche pre-elaborate viene sottoposto a clustering non supervisionato. Questo passaggio raggruppa i campioni dei circuiti in base alla somiglianza strutturale e funzionale (ad es., complessità delle porte, schemi di connettività).
   • Scopo: Il clustering riduce la varianza intra-classe, elimina i dati ridondanti e isola le strutture nascoste. Prepara i dati organizzandoli in gruppi coerenti, permettendo al successivo classificatore di concentrarsi su pattern correlati piuttosto che su anomalie isolate.

3. Classificazione tramite Deep Cross Neural Network (DCNN):

   • Architettura: Il cuore del framework è una DCNN progettata per sfruttare le correlazioni tra molteplici parametri del circuito. A differenza dei classificatori standard che analizzano le caratteristiche in modo indipendente, la DCNN apprende le relazioni inter-caratteristica (ad es., cambiamenti simultanei nel conteggio delle porte, nella distribuzione del fan-out e nell'attività del segnale).
   • Meccanismo: Il modello utilizza matrici di peso di input ($W$), matrici di peso ricorrenti ($U$) e vettori di bias ($b$). Impiega un meccanismo di composizione ricorsiva in cui gli stati nascosti vengono aggiornati in base agli stati delle celle e ai filtri di connettività. Il processo di addestramento minimizza la perdita di Cross-Entropy tramite backpropagation per regolare i pesi.
   • Predizione: Il modello addestrato mappa i vettori di caratteristiche raggruppati in uno spazio di correlazione, generando una classificazione binaria (privo di Trojan vs. infetto da Trojan) basata sulla probabilità della presenza di un Trojan.

Contributi Chiave

• Apprendimento Neurale Correlato: Il principale contributo è l'applicazione di una DCNN che modella esplicitamente la correlazione tra caratteristiche strutturali e funzionali, affrontando il limite dell'analisi di caratteristiche indipendenti nei modelli ML esistenti.
• Rappresentazione delle Caratteristiche per Clustering: L'integrazione di una fase di pre-elaborazione tramite clustering per organizzare i dati eterogenei del benchmark, migliorando così la separabilità delle anomalie indotte dai Trojan.
• Ridotta Dipendenza: Il framework opera senza richiedere un modello di riferimento golden affidabile o misurazioni complesse dei canali laterali, basandosi invece sui pattern intrinseci strutturali e comportamentali dei design dei circuiti.
• Scalabilità: Il metodo è progettato per essere adattabile a complesse architetture FPGA e a diversi tipi di Trojan (combinatori, sequenziali, parametrici).

Risultati
Il framework è stato valutato utilizzando il dataset Trust-Hub con diversi rapporti addestramento-test (60%, 70%, 80%). Le prestazioni sono state messe a confronto con i metodi esistenti, inclusi gli approcci basati su Knowledge Graph (VD-KGE [24]) e i metodi di Side-Channel di ritardo (ZDD [25]), nonché modelli standard ANN e CNN.

• Accuratezza: Il framework DCNN proposto ha raggiunto un'accuratezza di rilevamento del 98,4%.
• Tasso di Falsi Allarmi: Il sistema ha dimostrato un tasso di falsi allarmi ridotto dell'1,2%, un miglioramento significativo rispetto alle configurazioni standard.
• Prestazioni Comparative: Il metodo proposto ha superato costantemente i modelli confrontati (VD-KGE, ZDD, RNN, CNN) in tutte le metriche, inclusi Precision, Recall, F-Measure, Sensibilità e Specificità.
• Robustezza: Il modello ha mantenuto prestazioni stabili attraverso diversi tipi di Trojan e dimensioni dei circuiti. La curva Receiver Operating Characteristic (ROC) ha indicato un'Area Under the Curve (AUC) prossima all'unità, segnalando un'alta sensibilità verso i Trojan furtivi pur sopprimendo i falsi positivi.
• Efficienza: L'approccio è descritto come dotato di un basso overhead computazionale rispetto ai metodi di elaborazione dei grafici o di analisi delle tracce, grazie all'efficienza del meccanismo di apprendimento per clustering.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro fornisce una soluzione affidabile ed efficiente per migliorare la sicurezza nei sistemi VLSI basati su FPGA. La significatività dello studio risiede nella sua capacità di identificare sottili variazioni introdotte dagli Hardware Trojan attraverso l'apprendimento neurale correlato, superando i limiti del testing tradizionale e dell'analisi delle caratteristiche isolate.

Il documento asserisce che l'algoritmo proposto affronta efficacemente le sfide chiave nel rilevamento degli HT, tra cui:

• La natura furtiva dell'attivazione dei Trojan.
• La necessità di scalabilità attraverso diverse architetture di circuiti.
• Il requisito di robustezza contro attacchi adattivi.

Riducendo la dipendenza dai design di riferimento e raggiungendo un'alta accuratezza con bassi falsi allarmi, il framework è presentato come una soluzione praticabile per le applicazioni di sicurezza hardware. Gli autori suggeriscono che il lavoro futuro potrebbe concentrarsi sul rilevamento in tempo reale, sull'apprendimento adattivo per attacchi in evoluzione e sull'ottimizzazione per ambienti FPGA a basse risorse, ma lo studio attuale stabilisce l'efficacia dell'approccio DCNN basato su clustering.