Technische Samenvatting: BLADEI – Hardware-versnelde screening van bitstreams op lijnsnelheid

1. Probleemstelling

Naarmate Field-Programmable Gate Arrays (FPGA's) centraal komen te staan in multi-tenant cloud- en edge-AI-omgevingen, is de configuratie-bitstream een kritieke beveiligingsgrens geworden. In dynamische "just-in-time"-herconfiguratie-workflows kunnen kwaadaardige of gemanipuleerde bitstreams hardware-Trojaanse paarden bevatten die data lekken, inferentie manipuleren of betrouwbaarheid verslechteren.

Bestaande beveiligingsbenaderingen sluiten niet aan bij deze dynamische beperkingen:

• Verificatie op ontwerptijd vereist vertrouwde RTL- of netlist-bestanden, die vaak niet beschikbaar zijn in onbetrouwbare "FPGA-as-a-Service" (FaaS)-scenario's.
• Side-channel-methoden vereisen gouden referentie-apparaten en gecontroleerde omgevingen.
• Reverse-engineering en tools voor bitstream-naar-netlist brengen hoge rekenkosten met zich mee en zijn vaak leveranciersafhankelijk, waardoor ze ongeschikt zijn voor screening in real-time.

Recente machine learning-benaderingen hebben veelbelovende resultaten laten zien bij het detecteren van kwaadaardige circuits binnen bitstreams, maar worden doorgaans geëvalueerd in offline, server-klasse omgevingen. Ze negeren vaak de end-to-end-latentie en de beperkingen in middelen van embedded platformen, en slagen er niet in om de specifieke knelpunten van implementatie in real-time aan te pakken.

2. Methodologie: Het BLADEI-framework

De auteurs stellen BLADEI (Bitstream-Level Abnormality Detection for Embedded Inference) voor, een screening-framework op het moment van implementatie dat werkt op ruwe configuratiegegevens zonder broncode, netlists of leveranciersspecifieke tooling te vereisen.

A. Detectie-architectuur

BLADEI maakt gebruik van een hybride detectiemodel bestaande uit twee takken:

1. Sequentie-eigenschappen: Een 1D-Convolutional Neural Network (CNN) verwerkt de ruwe byte-sequentie om lokale structurele handtekeningen en plaatsings/routingpatronen vast te leggen die uniek zijn voor Trojaanse invoegingen.
2. Statistische eigenschappen: Een vector van 278 dimensies vat globale bitstreamkarakteristieken samen, waaronder:
   • Genormaliseerde byte-frequentiehistogrammen (256 bins).
   • Hogere-orde statistieken: entropie, variantie en byte-overgangssnelheden.
   • Deze eigenschappen worden ingevoerd in een Random Forest-kop voor classificatie van ontwerpfamilies (bijv. CRYPTO, MCU, BUS).

De uitvoer wordt samengevoegd en doorgegeven aan een binaire classifier voor Trojaanse detectie.

B. De "Preprocessing-muur"

Door systeemniveau-karakterisering op een Xilinx PYNQ-Z1 SoC identificeerden de auteurs een kritiek knelpunt:

• Totale Latentie: ~16,4 seconden per bitstream.
• Inferentietijd: ~1,4 seconden (Modelvoorspelling).
• Tijd voor Eigenschapsextractie: ~15,0 seconden (Software-gebaseerde verwerking).

De studie toont aan dat software-gebaseerde byte-niveau verwerking goed is voor 92% van de totale latentie. Deze "preprocessing-muur" verhindert dat het systeem beveiligingseigenschappen op bijna lijnsnelheid afdwingt, waardoor de hoge snelheid van de inferentiecapaciteit van het model in een real-time context irrelevant wordt.

C. Voorgestelde Oplossing: Hardware-versnelde Engine

Om dit knelpunt te overwinnen, stellen de auteurs voor om de primitieve voor eigenschapsextractie te verschuiven van de CPU naar de FPGA Programmable Logic (PL) via een Byte-Statistics Engine.

• Architectuur: Een streaming-module die werkt op het DMA-gegevenspad met gebruik van een AXI4-Stream-interface.
• Werking: Het module "snoept" bitstreamgegevens op lijnsnelheid (1 byte/cyclus) terwijl deze van het geheugen naar de configuratiecontroller worden overgebracht.
• Modules:
  • Histogram-eenheid: Gebruikt Dual-Port Block RAM om byte-frequenties op te slaan met interne bypass-logica voor opeenvolgende identieke bytes.
  • Streaming-statistieken: Gebruikt DSP48-slices om lopende totalen voor gemiddelde en variantie in één doorgang te berekenen.
  • Benaderde Entropie: Gebruikt een vooraf berekende Look-Up Table (LUT) om Shannon-entropie te benaderen zonder berekening van logaritmen in real-time.
  • Overgangsmonitor: Houdt byte-overgangssnelheden bij om structurele dichtheid te meten.
• Werkflow: De engine berekent de 278-dimensionale eigenschapsvector in één doorgang, waarbij screening overlapt met de bitstream-overdracht. De vector wordt naar DRAM geschreven voor consumptie door de ARM-processor voor classificatie.

3. Experimentele Evaluatie

Het framework werd geëvalueerd met behulp van een dataset van 1.383 bitstreams gegenereerd uit 23 benchmarks in de Trust-Hub-suite, opnieuw ontworpen voor het Xilinx PYNQ-Z1-platform. De dataset omvat zeven ontwerpfamilies (CRYPTO, COMMS, MCU/CPU, BUS/DISPLAY, ITC99, ISCAS89, ISCAS85) met zowel onschadelijke als met Trojaanse paarden geïnjecteerde varianten.

A. Detectieprestaties

• Het hybride CNN-model behaalde een macro F1-score van 0,91, wat beter presteert dan standaard baselines zoals SVM (0,62 F1) en Naive Bayes (0,58 F1).
• De Random Forest-kop behaalde een bijna perfecte nauwkeurigheid in de classificatie van ontwerpfamilies, wat bevestigt dat de statistische eigenschappen betekenisvolle structurele herkomst vastleggen.

B. Latentie- en Doorvoeranalyse

De evaluatie vergeleek drie scenario's:

1. Software (CPU): Een doorvoer van 0,26 MB/s met een latentie van 15,0 seconden voor een bitstream van 3,86 MB.
2. Ideale Hardware (PL): Theoretische piekdoorvoer van 100 MB/s (100 MHz kloksnelheid, 1 byte/cyclus), wat de latentie reduceert tot 38,6 ms.
3. HLS-kern (Gerealiseerd): Bereikte een effectieve doorvoer van ~84 MB/s met een latentie van ~46 ms.

Dit resulteert in een gerealiseerde snelheidsverhoging van ongeveer 320x, waardoor de latentie voor eigenschapsextractie wordt teruggebracht van seconden naar het milliseconde-bereik.

4. Belangrijkste Bijdragen

1. BLADEI-framework: Een screening-systeem op het moment van implementatie dat hardware-Trojaanse paarden direct detecteert vanuit ruwe bitstreams zonder leveranciers-tooling of broncode.
2. Identificatie van de "Preprocessing-muur": Een karakterisering op systeemniveau die aantoont dat bij embedded FPGA-screening de latentie wordt gedomineerd door software-gebaseerde eigenschapsextractie (92% van de totale tijd), en niet door modelinferentie.
3. Hardware-versnelde streaming-engine: Een nieuwe Byte-Statistics Engine ontworpen voor de FPGA PL die statistische eigenschappen in één doorgang berekent op het DMA-pad, waardoor preprocessing op bijna lijnsnelheid mogelijk wordt.
4. Empirische validatie: Demonstratie van een 320x snelheidsverhoging in eigenschapsextractie, waardoor bitstream-screening wordt getransformeerd van een knelpunt van meerdere seconden naar een primitief met bijna geen overhead.

5. Betekenis en Claims

Het artikel positioneert screening op bitstream-niveau als een "eersteklas primitief" voor het beveiligen van herconfigureerbare computing. De auteurs beweren dat hardware-versnelde preprocessing de sleutelenabler is voor het beveiligen van next-generation herconfigureerbare aangepaste computing-machines op lijnsnelheid.

Door de beveiligingsprimitief te verschuiven van de CPU naar het hardware-gegevenspad, maakt BLADEI autonome beveiligingseigenschappen op het moment van implementatie mogelijk die kunnen bijhouden met dynamische FPGA-herconfiguratie-workflows. Het werk suggereert dat toekomstige beveiliging voor cloud-naar-edge-pijplijnen niet alleen afhankelijk is van betere detectiemodellen, maar ook van architecturale veranderingen die het preprocessing-knelpunt elimineren.

De auteurs blijven bescheiden wat betreft toekomstige implicaties, met de opmerking dat het huidige werk zich richt op Xilinx-bitstreams en dat toekomstig onderzoek nodig is om cross-leveranciersgeneralisatie (Intel, Lattice) te valideren, systeemimplementatie op diverse architecturen en weerstand tegen adversariële obscuratie-technieken.