💻 computer science

Assertain: Automated Security Assertion Generation Using Large Language Models

Dit artikel introduceert Assertain, een geautomatiseerd framework dat gebruikmaakt van grote taalmodellen met zelfreflectie om veiligheidsasserties voor hardwareontwerpen te genereren en zo de menselijke inspanning vermindert terwijl de kwetsbaarheidsdekking en assertiekwaliteit aanzienlijk worden verbeterd.

Oorspronkelijke auteurs: Shams Tarek, Dipayan Saha, Khan Thamid Hasan, Sujan Kumar Saha, Mark Tehranipoor, Farimah Farahmandi

Gepubliceerd 2026-04-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Shams Tarek, Dipayan Saha, Khan Thamid Hasan, Sujan Kumar Saha, Mark Tehranipoor, Farimah Farahmandi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "Assertain"-Revolutie: Hoe AI de Digitale Slotenmaker wordt

Stel je voor dat je een enorm, ingewikkeld kasteel bouwt (een moderne computerchip). In het verleden bouwden architecten deze kasteels en lieten ze vervolgens een groep bewakers (de ingenieurs) handmatig controleren of er geen deuren openstonden of ramen gebroken waren. Dit was een enorme klus, duur, en de bewakers konden vaak kleine gaten in de muren over het hoofd zien, vooral omdat de kasteels steeds groter en complexer werden.

Dit artikel introduceert Assertain, een slimme nieuwe tool die deze taak overneemt. Het is als een super-slimme, digitale slotenmaker die niet alleen kijkt naar de blauwdrukken, maar ook weet waar de dieven (hackers) precies op jagen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Te veel complexiteit, te weinig tijd

Vroeger schreven mensen de regels op papier: "Als de deur gesloten is, mag niemand binnen." Maar moderne chips hebben miljoenen deuren, sluizen en geheime gangen. Mensen kunnen niet meer alles handmatig controleren. Ze missen vaak de subtiele valkuilen, zoals een deur die open blijft staan als het licht uitgaat, of een raam dat per ongeluk open kan worden geduwd door een trilling.

2. De Oplossing: Assertain (De Slimme Architect)

Assertain is een systeem dat gebruikmaakt van Grote Taalmodellen (AI), vergelijkbaar met de slimme chatbots die we nu kennen, maar dan getraind als een expert in computerveiligheid.

Het proces verloopt in drie stappen, alsof je een huis bouwt en direct controleert op inbraakgevaar:

Stap 1: De Inventaris (De "Wat hebben we?"-fase)
De AI kijkt eerst naar de blauwdrukken van je chip. Het sorteert de onderdelen: "Ah, dit is een geheugenmodule, dit is een communicatiepoort." Vervolgens kijkt het in een enorme database (een soort "gids van bekende zwaktes") om te zien: "Welke inbraakmethodes passen bij dit soort geheugen?"
- Analogie: Het is alsof je een slotenmaker bent die ziet dat je een oud houten raam hebt en direct denkt: "O, die zijn makkelijk te openen met een schroevendraaier."
Stap 2: De Diefstalgids (De "Wat willen de boeven?"-fase)
Tegelijkertijd vraagt de gebruiker: "Ik wil bang zijn voor hackers die gegevens stelen." De AI koppelt deze angst aan de specifieke zwaktes van je chip.
- Analogie: De AI zegt: "Oké, omdat je bang bent voor dieven die gegevens stelen, en je hebt dit specifieke raam, gaan we controleren of dat raam echt dicht zit als het donker is."
Stap 3: De Dubbelcheck (De "Zijn we slim genoeg?"-fase)
Dit is het meest unieke deel. De AI schrijft eerst een lijst met regels (de "Asserments"). Maar AI maakt soms fouten, zoals het verzinnen van een deur die er niet is (een "hallucinatie").
Daarom heeft Assertain een spiegel-fase: De AI kijkt terug naar de originele blauwdruk en zegt: "Wacht, deze regel gaat over een deur die niet bestaat. Die regel gooi ik weg." Alleen de regels die echt kloppen en werken, worden bewaard.
- Analogie: Het is alsof de AI een proefversie van zijn eigen veiligheidsplan schrijft, het daarna zelf controleert op onzin, en pas daarna het definitieve plan aan de bouwheer geeft.

3. Wat levert het op? (De Resultaten)

De onderzoekers hebben Assertain getest op 11 verschillende computerchips en vergeleken met de beste AI die er nu is (GPT-5). Het resultaat? Assertain was ongelooflijk beter:

Het vond 60% meer echte veiligheidsproblemen.
Het schreef regels die 60% beter werkten en niet faalden.
Het ontdekte 68% meer verborgen gebreken in het ontwerp die mensen vaak over het hoofd zagen.

4. Voorbeelden uit de praktijk

De paper geeft leuke voorbeelden van wat Assertain ontdekte:

De "Herhaalde Sleutel" (Replay Attack): In een wachtwoord-systeem merkte de AI op dat als je twee keer hetzelfde wachtwoord invoerde, het systeem het als "goed" beschouwde, zelfs als het wachtwoord al eerder gebruikt was. De AI schreef een regel die zegt: "Nee, elke poging moet een nieuw, uniek nummer hebben!"
De "Trillende Deur" (Glitch Resistance): De AI zag dat als er een kortstondige storing in de stroom kwam, het systeem per ongeluk open kon gaan. De AI schreef een regel: "Wees niet zomaar open als de deur maar één seconde trilt; wacht tot het echt zeker is."

Conclusie: Waarom is dit belangrijk?

Vroeger moesten mensen urenlang zoeken naar gaten in hun beveiliging. Met Assertain hebben we een automatische "veiligheidsarchitect" die niet alleen kijkt of de chip werkt, maar ook of hij veilig is. Het pakt de zwakke plekken op voordat de echte hackers ze vinden.

Kortom: Het is alsof je een onzichtbare, super-snelle inspecteur hebt die 24/7 over je digitale kasteel loopt, elke deur controleert, en direct zegt: "Hier moet je een extra slot op doen, want anders breekt de dievenbinnenvallen."

Titel: Assertain: Geautomatiseerde Generatie van Security Assertions met Large Language Models

Auteurs: Shams Tarek et al. (Universiteit van Florida)
Presentatie: 35e IEEE MDTS Symposium (2026)

1. Het Probleem

De toenemende complexiteit van moderne System-on-Chip (SoC) ontwerpen heeft hardware-beveiligingsrisico's geamplificeerd. Traditionele verificatiestromen, die afhankelijk zijn van handmatige code-inspectie en simulatie, kunnen niet meer schalen met deze complexiteit.

De Bottleneck: Formele Eigenschapsverificatie (FPV) is een rigoureuze techniek om ontwerpgedrag te valideren, maar de generatie van SystemVerilog Assertions (SVA) voor beveiliging is nog steeds een handmatig, tijdrovend en foutgevoelig proces.
Beperkingen van bestaande LLM-aanpakken: Hoewel Large Language Models (LLM's) succesvol zijn toegepast in andere verificatietaken, lijden bestaande methoden voor het genereren van security-assertions onder:
- Gebrek aan expliciete dreigingsbewustzijn (threat awareness).
- Het niet systematisch mappen van ontwerpgedrag naar gestandaardiseerde kwetsbaarheidsklassen (zoals CWE).
- Het genereren van "hallucinaties" (niet-bestaande signalen) of assertions die syntactisch onjuist zijn en niet uitvoerbaar zijn door formele verificatietools.

2. Methodologie: Het Assertain Framework

Assertain is een geautomatiseerd framework dat RTL-ontwerpanalyse, Common Weakness Enumeration (CWE) mapping en dreigingsmodel-intelligentie combineert. Het doel is het automatisch genereren van syntactisch correcte en semantisch consistente security assertions.

Het framework bestaat uit drie fasen:

Fase I: Kennismapping (Knowledge Mapping)

Om hallucinaties te voorkomen, wordt de generatie verankerd in een gestandaardiseerde ontologie:

Structurale Uitlijning: Een LLM classificeert het input-RTL-ontwerp in vooraf gedefinieerde hardware-categorieën (bijv. "Geheugencomponenten", "Communicatie-interfaces"). Dit wordt gekoppeld aan een statische kennisbank van relevante CWE-ID's.
Dreigingsvector Integratie: Gebruikersgedefinieerde dreigingsmodellen (bijv. "Side-Channel Attack") worden gemapt naar specifieke CWE-ID's via een vooraf gedefinieerde database.
Context Intersectie: De doel-CWE's ( $C_{target}$ ) worden bepaald door de intersectie te nemen van de structureel afgeleide zwaktes en de dreigingsafgeleide zwaktes. Dit zorgt voor assertions die strikt relevant zijn voor het specifieke aanvalsoppervlak.

Fase II: Context-bewuste Generatie

Voor elke doel-CWE wordt een prompt samengesteld die drie lagen context bevat:

Rolcontext: De LLM fungeert als expert hardware-beveiligingsingenieur.
Kwetsbaarheidscontext: Definitie en gevolgen van de specifieke zwakte.
Ontwerpcontext: De volledige RTL-broncode wordt verbatim ingebracht (inclusief headers en signalen) zodat de LLM de hiërarchie begrijpt zonder signalen te "hallucineren".

Iteratieve Generatie: De LLM wordt $N$ keer bevraagd per zwakte om een breed scala aan scenario's te genereren. De output wordt gestructureerd als een Markdown-tabel (CWE ID, Scenario, NL-Property, SVA-code) en gededupliceerd.
Regelgebaseerde Prompt Engineering: De prompt bevat strikte regels voor syntaxis (bijv. correct gebruik van |-> vs |=>), tijdsynchronisatie, reset-handling en signalbinding om te voorkomen dat de LLM niet-bestaande signalen gebruikt.

Fase III: Zelf-reflectie en Verfijning (Self-Reflection Refinement)

Dit is een cruciale stap om hallucinaties te elimineren:

Verificatie: Een tweede LLM (de Refiner) neemt de ruwe assertions en de volledige RTL-code als input.
Filtering: Het systeem controleert of alle gebruikte signalen in de assertions daadwerkelijk bestaan in het RTL-ontwerp. Assertions met niet-bestaande signalen of ongeldige syntax worden verwijderd.
Synthese: De overgebleven assertions worden omgezet in een schone, compileerbare .sva-module met juiste commentaar en foutmeldingen.

3. Belangrijkste Bijdragen

Geïntegreerde CWE-Mapping: Assertain is het eerste framework dat RTL-structuur en dreigingsmodellen systematisch koppelt aan de Common Weakness Enumeration-standaard om gerichte security-assertions te genereren.
Zelf-reflectie Mechanisme: Door een verfijningsfase in te bouwen die de gegenereerde code direct vergelijkt met de broncode, worden syntactische en semantische fouten (hallucinaties) aanzienlijk gereduceerd.
Architecturale Gap Analyse: Het systeem is niet alleen gericht op het verifiëren van de huidige functionaliteit, maar genereert assertions die fungeren als "negatieve tests". Als een assertion faalt, wijst dit op een architecturale beveiligingskloof (bijv. ontbrekende glitch-resistentie of replay-aanvalpreventie) in plaats van een functionele bug.

4. Resultaten en Evaluatie

Het framework werd geëvalueerd op 11 representatieve hardware-ontwerpen (zoals AES, MIPS, UART, JTAG) en vergeleken met een baseline van de GPT-5 LLM (zonder het Assertain-framework).

Kerncijfers:

Correcte Assertions: Assertain presteerde 61,22% beter dan de baseline in het genereren van correcte assertions.
Unieke CWE-dekking: Er was een verbetering van 59,49% in het aantal unieke CWE-classes dat werd gedekt.
Detectie van Architecturale Fouten: Assertain detecteerde 67,92% meer architecturale fouten dan de baseline.

Specifieke bevindingen:

In complexe ontwerpen zoals Store_Unit en MMU verdubbelde Assertain het aantal correcte assertions ten opzichte van de baseline.
Het systeem slaagde erin kwetsbaarheden te detecteren die vaak worden over het hoofd gezien, zoals ontbrekende challenge-response protocollen (replay-aanvallen) en gebrek aan fault tolerance tegen Single Event Upsets (SEU).

5. Betekenis en Conclusie

Assertain markeert een significante stap voorwaarts in de automatisering van hardware-beveiligingsverificatie. Door de afhankelijkheid van handmatige expertise te verminderen en de dekking van beveiligingsvulnabiliteiten te vergroten, maakt het framework het mogelijk om robuustere SoC-ontwerpen te creëren.

Het belangrijkste inzicht is dat LLM's, wanneer ze correct worden gestuurd met ontwerpkennis en zelf-reflectie, niet alleen kunnen fungeren als code-generators, maar als automatische beveiligingsarchitecten. Ze kunnen de "toekomstige staat" van een geharde definitie definiëren en blootleggen waar het huidige ontwerp kwetsbaar is voor geavanceerde dreigingen, zelfs als het functioneel correct lijkt te werken.