💻 computer science

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

本論文は、定常的な電力トレースをモデル化するためにニューラル制御微分方程式（NCDE）を利用し、休止状態および活性状態のトロジャンを識別・判別するために線形判別分析（LDA）分類器を用いる、新しいハードウェアトロジャン検出フレームワークを提案しており、従来の機械学習手法と比較して優れた精度と早期検出能力を実現している。

原著者： Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

公開日 2026-07-28

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

コンピュータチップの世界を、小さなシリコンの街の中に築かれた、活気あふれるハイテク都市として想像してみてください。毎日、何十億もの小さな労働者（トランジスタ）が、あなたのスマートフォンや車、ノートパソコンをスムーズに動かし続けるために、厳格な指示に従っています。しかし、もしこれらの労働者の中に、数人が密かに悪党に雇われていたとしたらどうでしょう？彼らは単なる怠け者ではありません。「ハードウェア・トロイ」です。これらは、チップのデザインの中に植え付けられた、巧妙で隠れた改造です。ほとんどの時間、彼らはまるで普通の労働者のように静かに佇み、パスワードを盗んだりシステムを停止させたりといった混乱を引き起こすための、秘密の合図を待っています。恐ろしいのは、一度彼らが目覚めてしまうと、止めるには手遅れであることが多いという点です。

長年、セキュリティの専門家たちはこれらのデジタルスパイを捕まえようとしてきましたが、それは混雑した部屋の中で幽霊を探すようなものです。従来の手法は、設計図（デザイン）を検査したり、労働者を一人ずつテストしたりしようとしますが、これらのスパイは隠れるのがあまりにも上手すぎます。彼らは自分が現れたい時にしか姿を見せませんし、標準的なテストでは完全に見逃してしまうほど巧妙に隠れています。ここで、単に労働者を見るのではなく、都市の「鼓動」に耳を傾ける新しい種類の探偵が登場します。チップがどれくらいの電気を使用しているか（その電力トレース）を観察することで、専門家たちは隠れたスパイによる微かな、不規則な鼓動を聞き取ることができます。しかし、これらの信号は乱雑で絶えず変化するため、旧式のツールでは読み取るのが困難です。

ここで、カリフォルニア州立大学ロングビーチ校の研究者たちが、HOODOOと呼ばれる新しい種類のデジタル探偵を作り上げました。HOODOOを、チップのエネルギー使用量を単にスナップショットとして撮るのではなく、電気の流れを川のように観察する、超スマートな連続時間リスナーだと考えてください。水位を1秒ごとにチェックする（それでは小さな波紋を見逃してしまう可能性がある）代わりに、HOODOOは**神経制御微分方程式（NCDEs）**という数学的ツールを使用します。NCDEsは、ギザギザで凹凸のあるデータの線を、滑らかで流れるような物語へと変える魔法のレンズだと想像してください。これにより、システムは「健全な」チップが通常の業務を行っている時にどのような音を立てるのかを正確に学習することができます。

この論文の天才的な点は、HOODOOがいかにしてトラブルを察知するかというところにあります。このシステムは、クリーンであることが分かっているチップのみを使用して訓練されます。つまり、トロイアンのないチップの完璧なリズムを学習するのです。そして、新しいチップに耳を傾けるとき、システムは次のリズムの拍動を予測しようとします。もしチップがクリーンであれば、予測は完璧です。しかし、もしトロイアンが潜んでいる場合――たとえそれがまだ眠っている（休眠状態である）としても――それはリズムの中に、目には見えないほど微かな、揺らぎを生じさせます。HOODOOは時間の流れに対して非常に敏感であるため、他の手法が見逃してしまうような、こうした極めて小さな偏差を察知することができるのです。この論文は、このアプローチが、「スパイのいないチップ」、「眠っているスパイがいるチップ」、そして「スパイがすでに目覚けて混乱を引き起こしているチップ」という3つのシナリオを、いかに成功裏に区別できるかを示しています。

実験において、チームはこの手法を、暗号化やシリアル通信を行うように設計されたチップを含む、標準的なハードウェア・ベンチマークでテストしました。その結果、HOODOмはこれらの隠れた脅威を確実に検出できることが分かりました。具体的には、電力の偏差がピーク電力値の少なくとも3%である場合に、「眠っている」トロイアンを特定することができました。3%の閾値を下回ると、信号は通常の背景ノイズと区別がつかないほど静かになり、この手法における限界、すなわち、この特定の手法に対して不可視となるスパイの最小サイズがあることを示唆しています。しかし、それ以上の規模については、この手法は非常に効果的であり、現実世界の電力データの乱雑で不規則な性質に苦戦することが多いLSTMや多層ニューラルネットワークのような古い機械学習技術を凌駕しました。

この論文は、ハードウェア・セキュリティの問題を永遠に解決したと主張しているわけでも、HOODOOがあらゆる可能なスパイを捕まえられると示唆しているわけでもありません。著者らは、彼らの手法が、トロイアンが電力使用量に測定可能な「足跡」を残すことに依存していることを慎重に注記しています。もしスパイが完全に沈黙するように設計されていたり、あるいは環境ノイズが非常に高かったりする場合、検出はより困難になります。さらに、システムは「クリーン」と「感染」の違いを判別することには優れていますが、「眠っている」トロイアンと「活動している」トロイアンの違いを判別するには、標準的なデータセットにはスパイが目覚めた正確なタイムスタンプが含まれていなかったため、彼らのテストにおけるノイズ注入を用いた追加のステップが必要でした。

結局のところ、この研究は、電力トレースをバラバラの点の連続としてではなく、連続した流れる物語として扱うことで、ハードウェアのスパイをより早期に捕まえることができる可能性を示唆しています。HOODOOのフレームワークは、単にアラームが鳴るのを待つのではなく、秘密の計画が始まる前の、最も微かな囁きを聞き取ることで、私たちのデジタル都市を安全に保つための有望な新しい方法を提供しています。

技術要約：Neural Controlled Differential Equationsと電力トレース解析を用いたハードウェア・トロージャンの早期検出

問題提起

進化し続けるハードウェア・トロジャン（HT）は、集積回路（IC）を密かに改ざんし、不正アクセス、データ漏洩、またはシステム故障を引き起こすことで、現代のデジタルシステムに対して重大な脅威をもたらします。従来の検出手法には、以下のような顕著な限界があります。

静的手法（例：ロジックテスト、静的解析）は、スケーラビリティに課題があり、稀な起動トリガーを持つトロジャンを特定することができません。
標準的なニューラルネットワーク（例：RNN、LSTM）を用いた動的手法は、膨大な計算リソースを必要とする場合が多く、電力消費のようなサイドチャネル信号の不規則で高次元な性質を捉えきれないことがあります。
休止状態のギャップ（The Dormant Gap）：既存のアプローチの多くは、稼働中のトロジャンの検出のみに焦点を当てています。これらは、物理的には存在するものの現在は休止状態（未起動）であるトロジャンを特定する能力を欠いており、悪意のあるペイロードが実行される前に、セキュリティ侵害が発生する決定的な空白期間を残してしまいます。

手法：HOODOOフレームワーク

著者らは、Neural Controlled Differential Equations（NCDEs）と電力サイドチャネル解析を組み合わせた新しいアプローチであるHOODOO（Hardware TrOjan deTectiOn and preDictiOn framewOrk）を提案しています。このフレームワークは、以下の4つのステージで動作します。

1. データ取得と前処理

入力： ハードウェアプラットフォーム（具体的にはFPGAボード上のTrustHubベンチマークを使用）からの高解像度電力消費トレース。
スライディングウィンドウ： トレースは窓幅 $W=50$ サンプルのウィンドウに分割されます。
処理： 各ウィンドウは正規化（平均ゼロ、単位分散）が行われ、三次スプラインまたはエルミート三次補間を用いて連続的なパスへと変換されます。これにより、モデルは不規則なサンプリングやノイズを扱うことが可能になります。

2. NCDEモデルのアーキテクチャと学習

核となる概念： 離散時間型のRNNとは異なり、NCDEは隠れ状態の進化を、入力データによって制御される連続時間プロセスとしてモデル化します。モデルは以下の微分方程式によって定義されます。
$h(t) = h(t_0) + \int_{t_0}^{t} f_\theta(h(s)) dX(s)$
ここで、 $X(t)$ は補間された入力パスであり、 $f_\theta$ はダイナミクスを制御するニューラルネットワークです。
学習戦略： NCDEモデルは、トロジャンを含まないデータのみを用いて学習されます。その目的は、回路の「正常な」電力挙動を学習し、先行するウィンドウのサンプル群から次の電力サンプルを予測することです。
最適化： モデルは、AdamWオプティマイザとOneCycleLRスケジューラを使用して、予測値と実際の電力値の間の平均二乗誤差（MSE）を最小化します。

3. 予測と異常検知

推論： テスト時、学習済みNCDEモデルは新しい電力トレースを処理します。モデルは各スライディングウィンドウに対して次のサンプルを予測します。
誤差集計： 各ウィンドウに対して二乗予測誤差が計算されます。これらの誤差は、トレース全体にわたって集計され、グローバルなMSEが算出されます。
ロジック： トロジャンが混入した回路は、学習された正常な挙動から逸脱するため、クリーンな回路と比較して高いMSEを示します。

4. 三値分類

システムは、線形判別分析（LDA）分類器を用いて、MSEに基づきデバイスを以下の3つの状態に分類します。

トロジャンなし： $MSE \leq b_{LDA}$ （ここで $b_{LDA}$ はLDAから導出された最適な境界）。
休止状態のトロジャン： $b_{LDA} < MSE \leq T_{triggered}$ （存在を示す微細な偏差）。
稼働中のトロジャン： $MSE > T_{triggered}$ （ペイロードの実行を示す顕著な偏差）。

注： $T_{triggered}$ は概念的に定義されていますが、ベンチマークデータセットに明示的なトリガースタンプが存在しないため、実験的な検証はノイズ注入レベルに基づいて行われています。

主な貢献

斬新な三値分類： 本論文は、「トロジャンなし」、「休止状態のトロジャン」、「稼働中のトロジャン」を区別する分類スキームを導入しており、従来のバイナリ検出を超越しています。
サイドチャネルへのNCDEの適用： サイドチャネルの連続時間ダイナミクスをモデル化するためにNCDEを適応させ、離散モデルが見逃す可能性のある不規則なサンプリングや微細な時間依存性を効果的に処理しています。
休止検知の閾値： 本研究は、モデルがトロジャンの存在を休止状態で信頼性高く検知できる感度閾値を探索し、検知能力における決定的な境界を特定しています。
効率的なスライディングウィンドウの実装： 本フレームワークは、ハードウェアの変更を必要とせずに電力トレースを処理するための体系的なスライディングウィンドウ手法を利用しています。

実験結果

著者らは、NVIDIA A16 GPUを用い、TrustHubデータセット（様々なトロジャンバリアントを含むAES-128およびRS232回路）を使用してHOODOOを検証しました。

ベースライン性能： NCDEモデルは、正常な回路挙動を予測する強力な能力を示し、トロジャンが存在する場合に明確な逸脱を示しました。
検知感度：
- 本手法は、ノイズ／摂動レベルがピーク電力トレース振幅の 3% 以上 である場合に、トロジャンを正常に検出しました。
- 3%の閾値を下回ると、休止状態のトロジャンと正常な挙動を区別する能力が低下し、極めて隠密性の高いトロジャンに対する現在の感度の限界を示しました。
最先端技術との比較：
- MLNN、LSTM、HTM、およびLLMベースの手法と比較して、HOODOOは稼働中のトロジャン検出において競争力のある、あるいは優れた精度（例：3%ノイズ閾値において95.4%の精度）を達成しました。
- 極めて重要な点として、HOODOOは比較対象の中で休止検知能力（三値分類）を提供する唯一の手法であり、他はバイナリ（クリーン対感染）または稼働時のみの検出に限定されています。

重要性と主張

本論文は、HOODOOが**プロアクティブ（先行的）**な対策を可能にすることで、ハードウェアセキュリティにおける重要な進歩を提供すると主張しています。休止状態のトロジャンを検知することで、セキュリティチームは、システム故障やデータ漏洩を引き起こす前に、悪意のあるハードウェアを特定できます。

著者らは、本アプローチが以下の特性を持つことを強調しています：

ハードウェアの変更を必要としない。
NCDEの連続時間モデリングを活用し、サイドチャネル信号固有の不規則性とノイズを処理する。
バイナリ分類よりも精緻なシステムセキュリティの視点を提供する。

認められた限界：
本論文は、休止状態のトロジャンが測定可能なサイドチャネル・フットプリントを生じると仮定していることを謙虚に述べています。すなわち、ピーク振幅の3%未満の変動しか引き起こさないトロジャンは、現在では検知を回避する可能性があります。また、感度分析はノイズの代用としてガウスノイズを使用していますが、現実世界の休止状態のトロジャンは、構造化された非ガウス的な署名を示す可能性があります。著者らは、今後の課題として、感度を向上させるために、NCDEの潜在状態からのより豊かな異常特徴やマルチモーダルなサイドチャネルデータの探索を提案しています。