SubNM-Technology-Node-Aware Hardware Trojan Detection via Multi-Library Netlist Synthesis and Modular Graph Neural Networks
Dit artikel stelt SubNM voor, een technologie-node-bewust hardware Trojan-detectiekader dat gebruikmaakt van multi-library netlijstsynthese en modulaire graph neural networks om een bijna perfecte detectie-nauwkeurigheid en robuuste generalisatie over diverse halfgeleiderprocesnodes te bereiken, waarmee de beperkingen van single-configuration evaluatiemethoden worden overwonnen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 enorme, bruisende stad, gebouwd door duizenden verschillende architecten. Elke architect heeft zijn eigen unieke stijl, zijn eigen set bouwstenen en zijn eigen manier om de straten aan te leggen. In de echte wereld zijn deze "architecten" de bedrijven die de minuscule transistors en logische poorten ontwerpen in onze telefoons en computers, en de "bouwstenen" zijn de standaard celbibliotheken die worden gebruikt om deze te construeren. Wanneer een chipontwerper een blauwdruk maakt (een zogenaamde RTL-ontwerp), moet hij diezelfde stad vaak opnieuw opbouwen voor verschillende wijken—misschien gebruikt één wijk enorme, stevige bakstenen uit de jaren '80, terwijl een andere wijk microscopisch kleine, hypermoderne nano-bakstenen van nu gebruikt.
Het probleem is dat sluwe criminelen, bekend als Hardware Trojans, van deze steden houden om zich in te verstoppen. Een Trojan is een klein, kwaadaardig stukje code of schakeling dat in een chip is ingebouwd en dat geheimen kan stelen, het systeem kan uitschakelen of ervoor kan zorgen dat het vreemd gedrag vertoont. Meestal zijn deze criminelen experts in camouflage; ze verstoppen zich in het volle zicht, kijkend als een normaal onderdeel van de stad. Lange tijd zijn beveiligingsbewakers (detectietools) getraind om deze criminelen in slechts één specifieke wijk op te sporen. Ze weten precies hoe een "normale" baksteen eruitziet in de 180-nanometer district, maar als de stad wordt herbouwd met 28-nanometer bakstenen, raakt de bewaker in de war. De crimineel ziet er anders uit omdat het bouwmateriaal is veranderd, ook al is het plan van de crimineel niet veranderd. Dit artikel pakt de lastige vraag aan: Hoe vangen we een dief die elke keer van vermomming verandert wanneer de stad wordt herbouwd?
De onderzoekers achter deze studie, Anindita Chattopadhyay, Siddharth Bisariya en Vijay Kumar Sutrakar, besloten een superintelligente beveiligingsbewaker te bous die niet alleen het uiterlijk van één wijk onthoudt, maar de essentie van de stad begrijpt, ongeacht welke bakstenen worden gebruikt. Ze noemen hun nieuwe systeem SubNM.
Om te begrijpen hoe ze het deden, stel je voor dat je probeert een specifieke, vreemd gevormde boom in een bos te vinden. Als je alleen maar naar een bos van dennenbomen kijkt, zou je kunnen denken dat een vreemd gevormde den het doelwit is. Maar als het bos plotseling verandert in een eikenbos, kan diezelfde vreemde vorm er totaal anders uitzien. De oude beveiligingsbewakers (vorige detectietools) waren als mensen die alleen dennenbossen kenden. Ze zouden de weg kwijtraken als de bomen veranderden.
Het team achter SubNM realiseerde zich dat ze, om de boeven te vangen, hun bewaker op elk type bos tegelijkertijd moesten trainen. Ze namen 21 verschillende "blauwdrukken" voor computercircuits (sommige simpel, andere enorme industriële varianten) en bouwden elk één opnieuw op met vier zeer verschillende sets bouwstenen, die technologieën vertegenwoordigen van 180 nanometer tot wel 28 nanometer. Dit creëerde een enorme bibliotheek van 84 verschillende versies van dezelfde circuits. Het is alsof je hetzelfde huisontwerp neemt en het bouwt met hout, dan met staal, dan met glas, en dan met futuristisch plastic, alleen maar om te zien hoe de "slechterik" die erin verstopt zit, in elke versie zou eruitzien.
Ze leerden vervolgens een speciaal soort kunstmatige intelligentie, een Graph Neural Network (GNN), om naar deze circuits te kijken, niet alleen als lijsten van onderdelen, maar als kaarten van verbindingen. Denk aan een circuit als een metrokaart waarbij de stations logische poorten zijn en de rails draden zijn. De AI leerde de "slechte stations" (de Trojans) te herkennen door te kijken naar hoe ze met de rest van de kaart verbonden waren. Maar hier zit de magische truc: ze gaven de AI een speciale bril. Deze bril zag niet alleen de verbindingen, maar zag ook welk soort bouwmateriaal elk station was gemaakt van. Hierdoor kon de AI begrijpen dat een "vreemde verbinding" in een 180nm bos er anders uit kon zien in een 28nm bos, maar dat het patroon van de misdaad hetzelfde bleef.
De resultaten waren indrukwekkend. Wanneer ze de AI testten op slechts één type bouwmateriaal, was het al behoorlijk goed en ving het ongeveer 93% tot 85% van de boeven, afhankelijk van het materiaal. Maar wanneer ze hun nieuwe "multi-materiaal" trainingsmethode (SubNM) gebruikten, werd de AI een meesterdetective. Het begon tussen de 98,8% en 99,5% van de Trojans te vangen, ongeacht waarmee de stad was gebouwd.
Nog spannender was dat ze testten of de AI kon leren van één set wijken en vervolgens onmiddellijk criminelen kon vangen in een gloednieuwe, onbekende wijk. Dit is also alsof je een bewaker traint op hout- en staalsteden en hem vervolgens naar een glazen stad stuurt die hij nog nooit heeft gezien. De AI gokte niet alleen; het presteerde met een hoge mate van vertrouwen en ving bijna 97% van de boeven in deze nieuwe omgevingen. Dit bewijst dat de AI de ware vorm van de misdaad heeft geleerd, en niet alleen het uiterlijk van de bakstenen.
Het artikel vergeleken hun nieuwe systeem ook met andere topbeveiligingsbewakers in het vakgebied. Terwijl anderen uitstekend waren in het opsporen van Trojans in eenvoudige circuits, liepen ze vaak vast wanneer de circuits enorm groot en complex werden, of wanneer de Trojans zeer klein en verborgen waren. SubNM bleef echter kalm en ving bijna elke enkele boef in de grootste, meest complexe circuits die ze testten, inclusclusief een massaal industrieel ontwerp met meer dan 100.000 onderdelen.
Kortom, dit artikel suggereert dat door onze beveiligingssystemen te leren hoe technologie het uiterlijk van een circuit verandert, we een veel sterker schild tegen hardware-diefstal kunnen bouwen. De onderzoekers hebben niet alleen een betere manier gevonden om naar één type chip te kijken; ze hebben een flexibele, aanpasbare tool gebouwd die werkt over het hele spectrum van moderne technologie, wat ervoor zorgt dat zelfs wanneer onze chips kleiner en complexer worden, de boeven zich niet achter een verandering van kleding kunnen verschuilen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.