A Deep Cross Neural Network Framework for Stealthy Hardware Trojan Identification in FPGA

Technische Samenvatting: Een Deep Cross Neural Network Framework voor de Identificatie van Stealthy Hardware Trojans in FPGA

Probleemstelling
De toenemende afhankelijkheid van Field Programm Programmable Gate Arrays (FPGA's) in beveiligingskritische toepassingen (bijv. cryptografie, luchtvaart, defensie) heeft de kwetsbaarheid voor Hardware Trojan (HT) aanvallen vergroot. Deze kwaadaardige circuits worden opzettelijk ingevoegd tijdens het ontwerp of de fabricage om de functionaliteit te wijzigen, prestaties te degraderen of gegevens te lekken. Traditionele detectiemethoden staan voor aanzienlijke uitdagingen:

• Stealth: Trojans zijn ontworpen met zeldzame triggercondities en een minimale fysieke voetafdruk, waardoor ze functionele tests vaak omzeilen.
• Beperkingen van bestaande technieken: Functionele tests vereisen onpraktische testpatronen voor grote ontwerpen. Side-channel analyse (vermogen, timing) is gevoelig voor procesvariaties en omgevingsruis. Formele verificatie en reverse engineering vereisen vaak vertrouwde "golden" referentiemodellen en hoge computationele middelen.
• Gaten in Machine Learning: Hoewel machine learning (ML) veelbelovend is, worstelen bestaande classificatiesystemen vaak met het onafhankelijk behandelen van kenmerken, hebben ze moeite met generalisatie over diverse architecturen en blijven ze kwetsbaar voor adversariële manipulatie of dataschaarste.

Methodologie
Het artikel stelt een nieuw framework voor dat gebruikmaakt van een Deep Cross Neural Network (DCNN) classifier om HT's in FPGA-gebaseerde VLSI-circuits te detecteren. De aanpak is ontworpen om de afhankelijkheid van golden referentiemodellen te minimaliseren door gebruik te maken van gecorreleerd kenmerkleren. De workflow bestaat uit drie primaire stadia:

1. Data Preprocessing:

   • Bron: De studie maakt gebruik van de Trust-Hub chip-level Trojan benchmark dataset, die meer dan 100 diverse ontwerpen bevat (bijv. AES, RS232, microcontrollers) met zowel Trojan-vrije als Trojan-geïnfecteerde varianten.
   • Kenmerkextractie: Structurele kenmerken (gate counts, fan-in/fan-out, signaalpadlengtes) en functionele/dynamische kenmerken (schakelactiviteit, toggle rates, vermogensstatistieken) worden geëxtraheerd uit netlists en simulatietraces.
   • Schoonmaken & Normalisatie: De data wordt schoongemaakt om ontbrekende waarden en uitschieters af te handelen. Kenmerken worden genormaliseerd (min-max of z-score) en gebalanceerd met technieken zoals SMOTE om klassenimbalans aan te pakken. De dataset wordt gesplitst in trainings-, validatie- en testsets.

2. Clustering:

   • Voordat de classificatie plaatsvindt, ondergaat de bewerkte kenmerkset ongecontroleerde clustering. Deze stap groepeert circuit-samples op basis van structurele en functionele gelijkenis (bijv. gate-complexiteit, connectiviteitspatronen).
   • Doel: Clustering vermindert intra-klasse variantie, elimineert redundante data en isoleert verborgen structuren. Het bereidt de data voor door de samples te organiseren in coherente groepen, waardoor de daaropvolgende classifier zich kan richten op gecorreleerde patronen in plaats van geïsoleerde anomalieën.

3. Deep Cross Neural Network (DCNN) Classificatie:

   • Architectuur: De kern van het framework is een DCNN die is ontworpen om de correlaties tussen meerdere circuitparameters uit te buiten. In tegen tegenstelling tot standaard classifiers die kenmerken onafhankelijk analyseren, leert de DCNN de interacties tussen kenmerken (bijv. gelijktijdige veranderingen in gate count, fan-out distributie en signaalactiviteit).
   • Mechanisme: Het model gebruikt input gewichtsmatrices ($W$), recurrente gewichtsmatrices ($U$) en bias vectoren ($b$). Het maakt gebruik van een recursief compositiemechanisme waarbij verborgen toestanden worden bijgewerkt op basis van celtoestanden en connectiviteitsfilters. Het trainingsproces minimaliseert de Cross-Entropy loss via backpropagation om gewichten aan te passen.
   • Voorspelling: Het getrainde model brengt geclusterde kenmerkvectoren in kaart naar een correlatieruimte, wat een binaire classificatie genereert (Trojan-vrij versus Trojan-geïnfecteerd) op basis van de waarschijnlijkheid van de aanwezigheid van een Trojan.

Belangrijkste Bijdragen

• Gecorreleerd Neuraal Leren: De primaire bijdrage is de toepassing van een DCNN die expliciet de correlatie tussen structurele en functionele kenmerken modelleert, waarmee de beperking van onafhankelijke kenmerk-analyse in bestaande methoden wordt aangepakt.
• Geclusterde Kenmerkrepresentatie: De integratie van een clustering pre-processing stap om heterogene benchmark-data te organiseren, wat de scheidbaarheid van Trojan-geïnduceerde anomalieën verbetert.
• Verminderde Afhankelijkheid: Het framework werkt zonder de noodzaak van een vertrouwd golden referentiemodel of complexe side-channel metingen, door te vertrouwen op de intrinsieke structurele en gedragspatronen van de circuitontwerpen.
• Schaalbaarheid: De methode is ontworpen om aanpasbaar te zijn aan complexe FPGA-architecturen en diverse Trojan-typen (combinatorisch, sequentieel, parametrisch).

Resultaten
Het framework werd geëvalueerd met de Trust-Hub dataset met variërende training-naar-test ratio's (60%, 70%, 80%). De prestaties werden vergeleken met bestaande methoden, waaronder Knowledge Graph-gebaseerde benaderingen (VD-KGE [24]) en Delay Side-Channel methoden (ZDD [25]), evenals standaard ANN en CNN modellen.

• Nauwkeurigheid: Het voorgestelde DCNN-framework behaalde een detectienauwkeurigheid van 98,4%.
• False Alarm Rate: Het systeem vertoonde een verminderde false alarm rate van 1,2%, een significante verbetering ten opzichte van standaard configuraties.
• Vergelijkende Prestaties: De voorgestelde methode presteerde consistent beter dan de vergeleken modellen (VD-KGE, ZDD, RNN, CNN) over alle metrieken, inclusief Precisie, Recall, F-maat, Sensitiviteit en Specificiteit.
• Robuustheid: Het model behield een stabiele prestatie over verschillende Trojan-typen en circuitgroottes. De Receiver Operating Characteristic (ROC) curve gaf een Area Under the Curve (AUC) aan die de een nadert, wat duidt op een hoge sensitiviteit voor stealthy Trojans terwijl valse positieven worden onderdrukt.
• Efficiëntie: De aanpak wordt gekenmerkt door een "lage" computationele overhead vergeleken met graph-processing of trace-analyse methoden, toegeschreven aan de efficiëntie van het geclusterde leermechanisme.

Betekenis en Claims
De auteurs beweren dat dit werk een betrouwbare en efficiënte oplossing biedt voor het verbeteren van de beveiliging in FPGA-gebaseerde VLSI-systemen. De betekenis van de studie ligt in het vermogen om subtiele variaties die door Hardware Trojans worden geïntroduceerd te identificeren via gecorreleerd neuraal leren, waarbij de beperkingen van traditionele testen en geïsoleerde kenmerk-analyse worden overwonnen.

Het artikel stelt dat het voorgestelde algoritme effectief de belangrijkste uitdagingen in HT-detectie aanpakt, waaronder:

• De stealthy aard van Trojan-activatie.
• De noodzaak voor schaalbaarheid over diverse circuitarchitecturen.
• De vereiste voor robuustheid tegen adaptieve aanvallen.

Door de afhankelijkheid van referentiedesigns te verminderen en een hoge nauwkeurigheid met lage valse alarmen te bereiken, wordt het framework gepresenteerd als een levensvatbare oplossing voor praktische hardwarebeveiligingsapplicaties. De auteurs suggereren dat toekomstig werk zich kan richten op real-time detectie, adaptief leren voor evoluerende aanvallen, en optimalisatie voor low-resource FPGA-omgevingen, maar de huidige studie vestigt de effectiviteit van de geclusterde DCNN-aanpak.