기술 요약: 신경 제어 미분 방정식과 전력 트레이스 분석을 이용한 하드웨어 트로잔의 조기 탐지

문제 정의

진화하는 하드웨어 트로잔(Hardware Trojans, HTs)은 집적 회로(IC)를 은밀하게 변조하여 무단 접근, 데이터 유출 또는 시스템 실패를 유발함으로써 현대 디지털 시스템에 심각한 위협을 가합니다. 기존의 탐지 방법들은 다음과 같은 상당한 한계에 직면해 있습니다:

• 정적 방법(예: 로직 테스트, 정적 분석)은 확장성 측면에서 어려움을 겪으며, 희귀한 활성화 트리거를 가진 트로잔을 식별하는 데 실패합니다.
• 표준 신경망(예: RNN, LSTM)을 사용하는 동적 방법은 상당한 계산 자원을 요구할 수 있으며, 전력 소비와 같은 부채널 신호의 불규칙하고 고차원적인 특성을 포착하는 데 실패할 수 있습니다.
• 휴면 격차(The Dormant Gap): 대부분의 기존 접근 방식은 오직 활성화된 트로잔을 탐지하는 데에만 집중합니다. 이들은 물리적으로 존재하지만 아직 트리거되지 않은 휴면(dormant) 상태의 트로잔을 식별하는 능력이 부족하며, 이는 악성 페이로드가 실행되기 전 보안 침해가 발생할 수 있는 결정적인 시간적 창을 남겨둡니다.

방법론: HOODOO 프레임워크

저자들은 신경 제어 미분 방정식(Neural Controlled Differential Equations, NCDEs)과 전력 부채널 분석을 결합한 새로운 접근 방식인 HOODOO(Hardware TrOjan deTectiOn and preDictiOn framewOrk)를 제안합니다. 이 프레임워크는 네 단계로 작동합니다.

1. 데이터 획득 및 전처리

• 입력: 하드웨어 플랫폼(구체적으로 FPGA 보드 상의 TrustHub 벤치마크 사용)으로부터 얻은 고해상도 전력 소비 트레이스.
• 슬라이딩 윈도우: 트레이스는 $W=50$개의 샘플을 갖는 윈도우로 분할됩니다.
• 처리: 각 윈도우는 정규화(평균 0, 단위 분산)를 거친 후, 불규칙한 샘플링과 노이즈를 처리할 수 있도록 3차 스플라인(cubic spline) 또는 헤르미트 3차 보간법(Hermite cubic interpolation)을 통해 연속적인 경로로 변환됩니다.

2. NCDE 모델 아키텍처 및 학습

• 핵심 개념: 이산 시간(discrete-time) RNN과 달리, NCDE는 은닉 상태(hidden state)의 진화를 입력 데이터에 의해 제어되는 연속 시간 프로세스로 모델링합니다. 모델은 다음 미분 방정식으로 정의됩니다:
  $$h(t) = h(t_0) + \int_{t_0}^{t} f_\theta(h(s)) dX(s)$$
  여기서 $X(t)$는 보간된 입력 경로이며, $f_\theta$는 역학을 관장하는 신경망입니다.
• 학습 전략: NCDE 모델은 트로잔이 없는 데이터만을 사용하여 학습됩니다. 모델의 목적은 회로의 "정상(nominal)" 전력 동작을 학습하고, 이전 샘플들의 윈도우를 바탕으로 다음 전력 샘플을 예측하는 것입니다.
• 최적화: 모델은 AdamW 옵티마이저와 OneCycleLR 스케줄러를 사용하여 예측된 전력 값과 실제 전력 값 사이의 평균 제곱 오차(MSE)를 최소화합니다.

3. 예측 및 이상 탐지

• 추론: 테스트 시, 학습된 NCDE 모델은 새로운 전력 트레이스를 처리합니다. 모델은 각 슬라이딩 윈도우에 대해 다음 샘플을 예측합니다.
• 오차 집계: 각 윈도우에 대해 제곱 예측 오차가 계산됩니다. 이러한 오차들은 트레이스 전체에 걸쳐 집계되어 전역 MSE를 산출합니다.
• 로직: 트로잔이 삽입된 회로는 학습된 정상 동작에서 벗어나므로, 깨끗한 회로에 비해 더 높은 MSE를 나타냅니다.

4. 3방향 분류 (Three-Way Classification)

시스템은 선형 판별 분석(LDA) 분류기를 사용하여 MSE를 기준으로 장치를 세 가지 상태로 분류합니다:

1. 트로잔 없음: $MSE \leq b_{LDA}$ ($b_{LDA}$는 LDA에서 도출된 최적 경계값).
2. 휴면 트로잔: $b_{LDA} < MSE \leq T_{triggered}$ (활성화되지 않았으나 존재를 나타내는 미세한 편차).
3. 활성 트로잔: $MSE > T_{triggered}$ (페이로드 실행을 나타내는 뚜렷한 편차).

참고: $T_{triggered}$는 개념적으로 정의되었으나, 벤치마크 데이터셋에 명시적인 트리거 타임스탬프가 없기 때문에 휴면 대 활성 구분에 대한 실험적 검증은 노이즈 주입 수준에 의존합니다.

주요 기여

1. 새로운 3방향 분류: 본 논문은 이진 탐지를 넘어 "트로잔 없음", "휴면 트로잔", "활성 트로잔"을 구분하는 분류 체계를 도입했습니다.
2. 부채널에 대한 NCDE 적용: NCDE를 적응시켜 전력 트레이스의 연속 시간 역학을 모델링함으로써, 이산 모델이 놓칠 수 있는 불규칙한 샘플링과 미세한 시간적 의존성을 효과적으로 포착했습니다.
3. 휴면 탐지 임계값: 모델이 트로잔이 휴면 상태일 때 그 존재를 신뢰성 있게 탐지할 수 있는 민감도 임계값을 탐색하여, 탐지 능력의 핵심 경계를 식별했습니다.
4. 효율적인 슬라이딩 윈도우 구현: 본 프레임워크는 하드웨어 수정 없이 전력 트레이스를 처리하기 위해 체계적인 슬라이딩 윈도우 방식을 활용합니다.

실험 결과

저자들은 NVIDIA A16 GPU를 사용하여 TrustHub 데이터셋(다양한 트로잔 변종이 포함된 AES-128 및 RS232 회로)을 통해 HOODOO를 검증했습니다.

• 베이스라인 성능: NCDE 모델은 정상 회로(트로잔 없음)의 동작을 예측하는 강력한 능력을 보여주었으며, 트로잔이 존재할 때 명확한 편차를 나타냈습니다.
• 탐지 민감도:
  • 본 방법은 노이즈/섭동 수준이 피크 전력 트레이스 진폭의 3% 이상일 때 트로잔을 성공적으로 탐지했습니다.
  • 3% 임계값 미만에서는 휴면 트로잔을 정상 동작과 구별하는 능력이 저하되었으며, 이는 매우 은밀한 트로잔에 대한 현재의 민감도 한계를 나타냅니다.
• 최신 기술(State-of-the-Art)과의 비교:
  • MLNN, LSTM, HTM 및 LLM 기반 방법과 비교했을 때, HOODOO는 활성 트로잔 탐지에 대해 경쟁력 있거나 우수한 정확도(예: 3% 노이즈 임계값에서 95.4% 정확도)를 달enc성했습니다.
  • 결정적으로, HOODOO는 비교 대상 중 휴면 탐지 능력(3-State Classification)을 제공하는 유일한 방법이며, 다른 방법들은 이진(깨끗함 vs 감염됨) 또는 활성 상태 탐지에 국한되어 있습니다.

의의 및 주장

본 논문은 HOODOO가 선제적(proactive) 조치를 가능하게 함으로써 하드웨어 보안 분야에 중요한 진전을 이루었다고 주장합니다. 트로잔이 트리거되어 시스템 실패나 데이터 유출을 일으키기 전에 휴면 상태에서 이를 탐지함으로써 보안 팀이 대응할 수 있게 합니다.

저자들은 본 접근 방식이 다음과 같은 특징을 갖는다고 강조합니다:

• 하드웨어 수정이 필요하지 않습니다.
• 부채널 신호의 내재적인 불규칙성과 노이즈를 처리하기 위해 NCDE의 연속 시간 모델링을 활용합니다.
• 이진 분류보다 더 정교한 시각을 제공합니다.

인정된 한계점:
논문은 탐지가 휴면 트로잔이 측정 가능한 부채널 흔적을 생성한다는 가정하에 이루어진다는 점을 겸허히 명시합니다. 즉, 피크 진폭의 3% 미만 변동을 유도하는 트로잔은 현재 탐지를 피할 수 있습니다. 또한, 민감도 분석은 가우시안 노이즈를 대리 지표로 사용했으나, 실제 휴면 트로잔은 구조화된 비가우시안 신호를 가질 수 있습니다. 저자들은 민감도를 개선하기 위해 NCDE 잠재 상태(latent states)로부터 더 풍부한 이상 징후 특징을 탐색하고 다중 모달 부채널 데이터를 활용하는 후속 연구를 제 제안합니다.