💻 computer science

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

Dit artikel stelt een nieuw hardware Trojan-detectiekader voor dat Neural Controlled Differential Equations (NCDEs) gebruikt om nominale vermogenssporen te modelleren en een Linear Discriminant Analysis (LDA) classifier om tussen slapende en actieve Trojans te onderscheiden en deze te identificeren, waarbij een superieure nauwkeurigheid en vroege detectiecapaciteiten worden bereikt in vergelijking met traditionele machine learning-methoden.

Oorspronkelijke auteurs: Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

Gepubliceerd 2026-07-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

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

Stel je de wereld van computerchips voor als een bruisende, hoogtechnologische stad, gebouwd in een piepkleine siliciumwijk. Elke dag volgen miljarden kleine arbeiders (transistors) strikte instructies om je telefoon, auto of laptop soepel te laten draaien. Maar wat als een paar van deze arbeiders stiekem zijn ingehuurd door een schurk? Dit zijn geen gewone luie arbeiders; het zijn "Hardware Trojans". Het zijn sluwe, verborgen aanpassingen die in de chip zijn geplaatst. De meeste tijd zitten ze volkomen stil, doen ze alsof ze normaal zijn en wachten ze op een geheim signaal om wakker te worden en chaos te veroorzaken—zoals het stelen van je wachtwoorden of het uitschakelen van een systeem. Het enge is dat, zodra ze wakker worden, het vaak te laat is om ze te stoppen.

Jarenlang hebben beveiligingsexperts geprobeerd deze digitale spionnen te vangen, maar het is alsof je naar een spook zoekt in een overvolle kamer. Traditionele methoden proberen de blauwdrukken (het ontwerp) te inspecteren of de arbeiders één voor één te testen, maar deze spionnen zijn te goed in het verbergen van zichzelf. Ze verschijnen alleen wanneer ze dat willen, of ze verbergen zich zo goed dat standaardtests ze volledig missen. Hier komt een nieuw soort detective in beeld, een die niet alleen naar de arbeiders kijkt, maar naar de "hartslag" van de stad luistert. Door te kijken naar hoeveel elektriciteit de chip verbruikt (de power trace), kunnen experts het zwakke, onregelmatige bonzen van een verborgen spion horen. Echter, deze signalen zijn rommelig en veranderen constant, waardoor ze moeilijk te lezen zijn met traditionele instrumenten.

Maak kennis met de onderzoekers van de California State University, Long Beach, die een nieuw soort digitale detective hebben gebouwd genaamd HOODOO. Denk aan HOODOO als een superintelligente, continue luisteraar die niet alleen momentopnames maakt van het energieverbruik van de chip, maar de stroom van elektriciteit volgt als een rivier. In plaats van elke seconde het waterpeil te controleren (wat een kleine rimpeling zou kunnen missen), gebruikt HOODOO een wiskundig hulpmiddel genaamd Neural Controlled Differential Equations (NCDEs). Je kunt NCDEs zien als een magische lens die een grillige, schokkerige lijn van data verandert in een vloeiend, lopend verhaal. Dit stelt het systeem in staat om precies te leren hoe een "gezonde" chip klinkt wanneer deze haar normale werk doet.

Het genie van dit artikel ligt in de manier waarop HOODOO problemen opspoort. Het systeem wordt getraind alleen op chips die bekend staan als schoon. Het leert het perfecte ritme van een Trojan-vrije chip. Wanneer het vervolgens naar een nieuwe chip luistert, probeert het de volgende hartslag van het ritme te voorspellen. Als de chip schoon is, is de voorspelling perfect. Maar als er een Trojan aan het werk is—zelfs als deze nog slaapt (dormant)—creëert dit een minuscuul, bijna onzichtbaar wiebel in het ritme. Omdat HOODOO zo gevoelig is voor de stroom van de tijd, merkt het deze kleine afwijkingen op die andere methoden missen. Het artikel laat zien dat deze aanpak er succesvol in is geslaagd om drie scenario's te onderscheiden: een chip zonder spion, een chip met een slapende spion, en een chip waar de spion al wakker is geworden en problemen veroorzaakt.

In hun experimenten testten het team deze methode op standaard hardware-benchmarks, inclusief chips die ontworpen zijn voor encryptie en seriële communicatie. Ze kwamen tot de conclusie dat HOODOO deze verborgen dreigingen betrouwbaar kon detecteren. Specifiek was het systeem in staat om een "slapende" Trojan op te sporen wanneer de vermogensafwijking ten minste 3% van de piekwaarde van het vermogen bedroeg. Onder die drempel van 3% werd het signaal te zacht om te onderscheiden van de normale achtergrondruis, wat suggereert dat er een limiet is aan hoe klein een spion kan zijn voordat hij onzichtbaar blijft voor deze specifieke methode. Echter, voor alles groter dan dat, bleek de methode zeer effectief en presteerde het beter dan oudere machine learning-technieken zoals LSTMs en Multi-Layer Neural Networks, die vaak worstelen met de rommelige, onregelmatige aard van echte vermogensdata.

Het artikel beweert niet dat het het probleem van hardwarebeveiliging voor altijd heeft opgelost, noch suggereert het dat HOODOO elke mogelijke spion kan vangen. De auteurs merken er zorgvuldig bij op dat hun methode afhankelijk is van het feit dat de Trojan een meetbare "voetafdruk" achterlaat in het stroomverbruik. Als een spion ontworpen is om volkomen stil te zijn of als de ruis in de omgeving te hoog is, wordt detectie moeilijker. Bovendien, hoewel het systeem uitstekend is in het onderscheiden tussen "schoon" en "geïnfecteerd", vereiste het maken van onderscheid tussen een "slapende" en een "actieve" Trojan extra stappen met behulp van ruisinjectie in hun tests, aangezien de standaard datasets geen exacte tijdstempels boden voor wanneer de spionnen wakker werden.

Uiteindelijk suggereert dit onderzoek dat door vermogenssporen te behandelen als een continu, vloeiend verhaal in plaats van een reeks losstaande punten, we hardware-spionnen veel eerder kunnen vangen. Het HOODOO-framework biedt een veelbelovende nieuwe manier om onze digitale steden veilig te houden, niet alleen door te wachten tot het alarm afgaat, maar door te luisteren naar de zwakste fluistering van een geheim plan voordat het zelfs maar begint.

Technische Samenvatting: Vroege Detectie van Hardware Trojans met behulp van Neural Controlled Differential Equations en Analyse van Vermogenssporen

Probleemstelling

Evoluerende Hardware Trojans (HT's) vormen een kritieke bedreiging voor moderne digitale systemen door geïntegreerde schakelingen (IC's) stiekem te wijzigen om ongeautoriseerde toegang, datalekken of systeemfalen te veroorzaken. Traditionele detectiemethoden kampen met aanzienlijke beperkingen:

Statische methoden (bijv. logische tests, statische analyse) hebben moeite met schaalbaarheid en slagen er niet in om Trojans met zeldzame activatietriggers te identificeren.
Dynamische methoden die gebruikmaken van standaard neurale netwerken (bijv. RNN's, LSTM's) vereisen vaak aanzienlijke computationele middelen en kunnen er vaak niet in slagen de onregelmatige, hoogdimensionale aard van side-channel signalen zoals stroomverbruik te vangen.
De Dormante Kloof: De meeste bestaande benaderingen richten zich uitsluitend op het detecteren van actieve Trojans. Ze missen de capaciteit om Trojans te identificeren die fysiek aanwezig zijn maar momenteel dormant (slapend) zijn (nog niet geactiveerd), wat een kritiek venster voor beveiligingsschendingen achterlaat voordat de kwaadaardige payload wordt uitgevoerd.

Methodologie: Het HOODOO-framework

De auteurs stellen HOODOO voor (Hardware TrOjan deTectiOn and preDictiOn framewOrk), een nieuwe benadering die Neural Controlled Differential Equations (NCDE's) combineert met power side-channel analyse. Het framework werkt via vier stadia:

1. Data-acquisitie en Preprocessing

Input: Hoog-resolutie vermogensconsumptiesporen van hardwareplatforms (specifiek gebruikmakend van TrustHub benchmarks op FPGA-boards).
Sliding Window: Sporen worden gesegmenteerd in vensters van $W=50$ samples.
Verwerking: Elk venster ondergaat normalisatie (nul gemiddelde, eenheid variantie) en wordt omgezet in een continu pad met behulp van cubic spline of Hermite cubic interpolatie. Dit stelt het model in staat om onregelmatige bemonstering en ruis te verwerken.

2. NCDE Modelarchitectuur en Training

Kernconcept: In tegen tegenstelling tot discrete-tijd RNN's, modelleren NCDE's de evolutie van de verborgen toestand als een continu-tijd proces dat wordt gecontroleerd door de inputdata. Het model wordt gedefinieerd door de differentiaalvergelijking:
$h(t) = h(t_0) + \int_{t_0}^{t} f_\theta(h(s)) dX(s)$
waarbij $X(t)$ het geïnterpoleerde inputpad is en $f_\theta$ een neuraal netwerk is dat de dynamiek beheert.
Trainingsstrategie: Het NCDE-model wordt uitsluitend getraind op Trojan-vrije data. Het doel is om het "nominale" vermogensgedrag van de schakeling te leren en de volgende vermogenssample te voorspellen op basis van een venster van voorafgaande samples.
Optimalisatie: Het model minimaliseert de Mean Squared Error (MSE) tussen de voorspelde en werkelijke vermogenswaarden met behulp van de AdamW-optimizer en de OneCycleLR-scheduler.

3. Voorspelling en Anomaliedetectie

Inferentie: Tijdens de testfase verwerkt het getrainde NCDE-model nieuwe vermogenssporen. Het voorspelt de volgende sample voor elk sliding window.
Foutaggregatie: De gekwadrateerde voorspellingsfout wordt berekend voor elk venster. Deze fouten worden geaggregeerd over het spoor om een globale MSE te berekenen.
Logica: Een door een Trojan geïnfecteerde schakeling wijkt af van het geleerde nominale gedrag, wat resulteert in een hogere MSE vergeleken met een schone schakeling.

4. Drie-weg Classificatie

Het systeem gebruikt een Linear Discriminant Analysis (LDA) classifier om het apparaat in drie verschillende toestanden te categoriseren op basis van de MSE:

Geen Trojan: $MSE \leq b_{LDA}$ (waarbij $b_{LDA}$ de optimale grens is afgeleid van LDA).
Dormante Trojan: $b_{LDA} < MSE \leq T_{triggered}$ (Subtiele afwijkingen die de aanwezigheid aangeven zonder activatie).
Actieve Trojan: $MSE > T_{triggered}$ (Prononceerde afwijkingen die de uitvoering van de payload aangeven).

Noot: Hoewel $T_{triggered}$ conceptueel is gedefinieerd, berust de experimentele validatie voor het onderscheid tussen dormant versus actief op ruisinjectieniveaus vanwege het gebrek aan expliciete trigger-timestamps in de benchmarkdataset.

Belangrijkste Bijdragen

Nieuwe Drie-weg Classificatie: Het artikel introduceert een classificatieschema dat onderscheid maakt tussen "Geen Trojan", "Dormante Trojan" en "Actieve Trojan", waarmee het verder gaat dan traditionele binaire detectie.
NCDE Toepassing op Side-Channels: Het past NCDE's aan om de continu-tijd dynamiek van vermogenssporen te modelleren, waardoor onregelmatige bemonstering effectief wordt afgehandeld en subtiele temporele afhankelijkheden worden gevangen die discrete modellen mogelijk missen.
Dormant Detectie Drempelwaarde: Het werk onderzoekt de gevoeligheidsdrempel waarbij het model betrouwbaar de aanwezigheid van een Trojan kan detecteren terwijl deze nog dormant is, en identificeert een kritieke grens voor detectiecapaciteit.
Efficiënte Sliding Window Implementatie: Het framework maakt gebruik van een systematische sliding window aanpak om vermogenssporen te verwerken zonder dat hardwaremodificaties nodig zijn.

Experimentele Resultaten

De auteurs hebben HOODOO gevalideerd met de TrustHub-dataset (AES-128 en RS232 circuits met diverse Trojan-varianten) op een NVIDIA A16 GPU.

Baseline Prestaties: Het NCDE-model toonde een sterk vermogen om nominaal circuitgedrag (Trojan-vrij) te voorspellen en vertoonde duidelijke afwijkingen wanneer Trojans aanwezig waren.
Detectiegevoeligheid:
- De methode detecteerde de Trojans succesvol wanneer de ruis/perturbatieniveaus $\geq 3\%$ van de piekvermogensamplitude waren.
- Onder de 3% drempelwaarde verslechterde het vermogen om een dormante Trojan van normaal gedrag te onderscheiden, wat wijst op een huidige beperking in de gevoeligheid voor extreem stealthy Trojans.
Vergelijking met State-of-the-Art:
- Vergeleken met MLNN, LSTM, HTM en LLM-gebaseerde methoden, behaalde HOODOO concurrerende of superieure nauwkeurigheid voor actieve Trojan-detectie (bijv. 95,4% nauwkeurigheid bij een 3% ruisdrempel).
- Cruciaal is dat HOODOO de enige methode in de vergelijking is die dormant detectiecapaciteit (Drie-toestands Classificatie) biedt, terwijl andere methoden beperkt zijn tot binaire (Schoon versus Geïnfecteerd) of alleen actieve detectie.

Betekenis en Claims

Het artikel claimt dat HOODOO een significante vooruitgang biedt in hardwarebeveiliging door proactieve maatregelen mogelijk te maken. Door Trojans in hun dormante staat te detecteren, kunnen beveiligingsteams kwaadaardige hardware identificeren voordat deze wordt getriggerd en systeemfalen of datalekken veroorzaakt.

De auteurs benadrukken dat hun aanpak:

Geen hardwaremodificaties vereist.
Gebruikmaakt van de continu-tijd modellering van NCDE's om de inherente onregelmatigheid en ruis van side-channel signalen te verwerken.
Een genuanceerder beeld biedt van systeembeveiliging dan binaire classificatie.

Erkenning van Beperkingen:
Het artikel merkt bescheiden op dat detectie ervan uitgaat dat dormante Trojans een meetbaar side-channel footprint produceren; Trojans die variaties induceren onder de 3% van de piekamplitude kunnen momenteel de detectie omzeilen. Daarnaast gebruikt de gevoeligheidsanalyse Gaussische ruis als proxy, terwijl echte dormante Trojans gestructureerde, niet-Gaussische signatures kunnen vertonen. De auteurs suggereren dat toekomstig werk rijkere anomalie-features uit NCDE latente toestanden en multi-modale side-channel data moet verkennen om de gevoeligheid te verbeteren.