💻 computer science

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

Este artigo propõe um novo framework de detecção de Trojans de hardware que utiliza Equações Diferenciais Controladas por Redes Neurais (NCDEs) para modelar traços de potência nominais e um classificador de Análise Discriminante Linear (LDA) para identificar e distinguir entre Trojans dormentes e ativos, alcançando precisão superior e capacidades de detecção precoce em comparação com métodos tradicionais de aprendizado de máquina.

Autores originais: Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

Publicado 2026-07-28

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o mundo dos chips de computador como uma cidade tecnológica e movimentada, construída dentro de um minúsculo bairro de silício. Todos os dias, bilhões de pequenos trabalhadores (transistores) seguem instruções rigorosas para manter seu telefone, carro ou laptop funcionando perfeitamente. Mas e se alguns desses trabalhadores fossem secretamente contratados por um vilão? Estes não são apenas trabalhadores preguiçosos; eles são "Hardware Trojans" (Trojans de Hardware). São modificações sorrateiras e ocultas plantadas dentro do design do chip. Na maior parte do tempo, eles permanecem perfeitamente imóveis, fingindo ser normais, esperando por um sinal secreto para acordar e causar o caos — como roubar suas senhas ou desligar um sistema. A parte assustadora é que, uma vez que eles acordam, geralmente é tarde demais para impedi-los.

Por anos, especialistas em segurança tentaram capturar esses espiões digitais, mas é como procurar um fantasma em uma sala lotada. Os métodos tradicionais tentam inspecionar as plantas (o design) ou testar os trabalhadores um por um, mas esses espiões são bons demais em se esconder. Eles só aparecem quando querem, ou se escondem tão bem que os testes padrão não conseguem detectá-los. É aqui que entra um novo tipo de detetive, um que não olha apenas para os trabalhadores, mas ouve a "batida do coração" da cidade. Ao observar quanta eletricidade o chip consome (seu traço de potência), os especialistas conseguem ouvir a batida fraca e irregular de um espião oculto. No entanto, esses sinais são bagunçados e mudam constantemente, tornando-os difíceis de ler com ferramentas de métodos antigos.

Conheça os pesquisadores da California State University, Long Beach, que construíram um novo tipo de detetive digital chamado HOODOO. Pense no HOODOO como um ouvinte de tempo contínuo super inteligente, que não apenas tira fotografias do uso de energia do chip, mas observa o fluxo da eletricidade como um rio. Em vez de verificar o nível da água a cada segundo (o que poderia perder uma pequena ondulação), o HOODOO usa uma ferramenta matemática chamada Equações Diferenciais Controladas por Redes Neurais (NCDEs). Você pode imaginar as NCDEs como uma lente mágica que transforma uma linha de dados irregular e acidentada em uma história fluida e suave. Isso permite que o sistema aprenda exatamente como é o "som" de um chip saudável realizando seu trabalho normal.

A genialidade deste artigo reside em como o HOODOO detecta o problema. O sistema é treinado apenas em chips que são conhecidos por serem limpos. Ele aprende o ritmo perfeito de um chip livre de Trojans. Então, ao ouvir um novo chip, ele tenta prever a próxima batida do ritmo. Se o chip estiver limpo, a previsão é perfeita. Mas se um Trojan estiver escondido — mesmo que ainda esteja dormindo (dormente) — ele cria uma oscilação minúscula, quase invisível, no ritmo. Como o HOODOO é tão sensível ao fluxo do tempo, ele percebe essas pequenas desvios que outros métodos perdem. O artigo mostra que esta abordagem pode distinguir com sucesso três cenários: um chip sem espião, um chip com um espião adormecido e um chip onde o espiã já acordou e está causando problemas.

Em seus experimentos, a equipe testou este método em benchmarks de hardware padrão, incluindo chips projetados para criptografia e comunicação serial. Eles descobriram que o HOODOO poderia detectar reliablemente essas ameaças ocultas. Especificamente, o sistema foi capaz de detectar um Trojan "adormecido" quando o desvio de potência era de pelo menos 3% do valor de pico de potência. Abaixo desse limite de 3%, o sinal tornava-se silencioso demais para ser distinguido do ruído de fundo normal, sugerindo um limite para o quão pequeno um espião pode ser antes de permanecer invisível para este método específico. No entanto, para qualquer coisa maior que isso, o método provou ser altamente eficaz, superando técnicas de aprendizado de máquina mais antigas, como LSTMs e Redes Neurais de Camadas Múltiplas, que frequentemente lutam com a natureza bagunçada e irregular dos dados de potência do mundo real.

O artigo não afirma ter resolvido o problema da segurança de hardware para sempre, nem sugere que o HOODOO possa capturar todos os possíveis espiões. Os autores observam cuidadosamente que seu método depende de o Trojan deixar uma "pegada" mensurável no uso de potência. Se um espião for projetado para ser perfeitamente silencioso ou se o ruído no ambiente for muito alto, a detecção torna-se mais difícil. Além disso, embora o sistema seja excelente em diferenciar entre "limpo" e "infectado", diferenciar entre um Trojan "adormecido" e um "ativo" exigiu alguns passos extras envolvendo a injeção de ruído em seus testes, já que os conjuntos de dados padrão não forneciam carimbos de data/hora exatos de quando os espiões acordaram.

Fundamentalmente, esta pesquisa sugere que, ao tratar os traços de potência como uma história contínamente fluida, em vez de uma série de pontos desconectados, podemos capturar esses espiões de hardware muito mais cedo. A estrutura HOODOO oferece uma nova maneira promissora de manter nossas cidades digitais seguras, não apenas esperando o alarme soar, mas ouvindo o sussurro mais tênue de um plano secreto antes mesmo que ele comece.

Resumo Técnico: Detecção Precoce de Trojans de Hardware Usando Equações Diferenciais Controladas por Redes Neurais e Análise de Traços de Potência

Declaração do Problema

Os evolving Hardware Trojans (HTs) representam uma ameaça crítica aos sistemas digitais modernos ao alterar furtivamente Circuitos Integrados (ICs) para causar acesso não autorizado, vazamento de dados ou falha do sistema. Os métodos de detecção tradicionais enfrentam limitações significativas:

Métodos estáticos (ex: testes lógicos, análise estática) têm dificuldade com escalabilidade e falham em identificar Trojans com gatilhos de ativação raros.
Métodos dinâmicos usando redes neurais padrão (ex: RNNs, LSTMs) frequentemente exigem recursos computacionais substanciais e podem falhar em capturar a natureza irregular e de alta dimensão dos sinais de canal lateral, como o consumo de potência.
A Lacuna do Estado de Dormência (The Dormant Gap): A maioria das abordagens existentes foca exclusivamente na detecção de Trojans ativos. Elas carecem da capacidade de identificar Trojans que estão fisicamente presentes, mas atualmente dormentes (ainda não acionados), deixando uma janela crítica para brechas de segurança antes que o payload malicioso seja executado.

Metodologia: O Framework HOODOO

Os autores propõem o HOODOO (Hardware TrOjan deTectiOn and preDictiOn framewOrk), uma abordagem inovadora que combina Equações Diferenciais Controladas por Redes Neurais (NCDEs) com análise de canal lateral de potência. O framework opera através de quatro estágios:

1. Aquisição e Pré-processamento de Dados

Entrada: Traços de consumo de potência de alta resolução provenientes de plataformas de hardware (especificamente utilizando benchmarks do TrustHub em placas FPGA).
Janela Deslizante (Sliding Window): Os traços são segmentados em janelas de $W=50$ amostras.
Processamento: Cada janela passa por normalização (média zero, variância unitária) e é convertida em um caminho contínuo usando interpolação de spline cúbica ou Hermite cubic. Isso permite que o modelo lide com amostragem irregular e ruído.

2. Arquitetura e Treinamento do Modelo NCDE

Conceito Central: Ao contrário das RNNs de tempo discreto, as NCDEs modelam a evolução do estado oculto como um processo de tempo contínuo controlado pelos dados de entrada. O modelo é definido pela equação diferencial:
$h(t) = h(t_0) + \int_{t_0}^{t} f_\theta(h(s)) dX(s)$
onde $X(t)$ é o caminho interpolado e $f_\theta$ é uma rede neural que governa a dinâmica.
Estratégia de Treinamento: O modelo NCDE é treinado exclusivamente em dados livres de Trojans. Seu objetivo é aprender o comportamento de potência "nominal" do circuito e prever a próxima amostra de potência dado uma janela de amostras precedentes.
Otimização: O modelo NCDE minimiza o Erro Quadrático Médio (MSE) entre os valores de potência previstos e reais usando o otimizador AdamW e o scheduler OneCycleLR.

3. Predição e Detecção de Anomalias

Inferência: Durante o teste, o modelo NCDE treinado processa novos traços de potência. Ele prevê a próxima amostra para cada janela deslizante.
Agregação de Erro: O erro de predição ao quadrado é computado para cada janela. Esses erros são agregados ao longo do traço para calcular um MSE global.
Lógica: Um circuito infectado por um Trojan desvia do comportamento nominal aprendido, resultando em um MSE mais alto em comparação com um circuito limpo.

4. Classificação de Três Vias

O sistema emprega um classificador de Análise Discriminante Linear (LDA) para categorizar o dispositivo em três estados distintos com base no MSE:

Sem Trojan: $MSE \leq b_{LDA}$ (onde $b_{LDA}$ é a fronteira ótima derivada de LDA).
Trojan Dormente: $b_{LDA} < MSE \leq T_{triggered}$ (Desvios sutis indicando presença sem ativação).
Trojan Ativo: $MSE > T_{triggered}$ (Desvios pronunciados indicando execução de payload).

Nota: Embora $T_{triggered}$ seja definido conceitualmente, a validação experimental para a distinção entre dormente-vs-ativo depende dos níveis de injeção de ruído devido à falta de timestamps explícitos de gatilho no conjunto de dados de benchmark.

Principais Contribuições

Classificação de Três Vias Inovadora: O artigo introduz um esquema de classificação que distingue entre "Sem Trojan", "Trojan Dormente" e "Trojan Ativo", indo além da detecção binária tradicional.
Aplicação de NCDE a Canais Laterais: O trabalho adapta as NCDEs para modelar a dinâmica de tempo contínuo dos traços de potência, lidando efetivamente com amostragem irregular e capturando dependências temporais sutis que modelos discretos poderiam perder.
Limiar de Detecção de Dormência: O trabalho explora o limiar de sensibilidade no qual o modelo pode detectar confiavelmente a presença de um Trojan enquanto ele permanece dormente, identificando uma fronteira crítica para a capacidade de detecção.
Implementação Eficiente de Janela Deslizante: O framework utiliza uma abordagem sistemática de janela deslizante para processar traços de potência sem a necessidade de modificações de hardware.

Resultados Experimentais

Os autores validaram o HOODOO usando o dataset TrustHub (circuitos AES-128 e RS232 com várias variantes de Trojans) em uma GPU NVIDIA A16.

Desempenho de Linha de Base (Baseline): O modelo NCDE demonstrou forte capacidade de prever o comportamento nominal do circuito (livre de Trojans) e exibiu desvios claros quando os Trojans estavam presentes.
Sensibilidade de Detecção:
- O método detectou com sucesso os Trojans quando os níveis de ruído/perturbação eram $\geq 3\%$ da amplitude de pico do traço de potência.
- Abaixo do limiar de 3%, a capacidade de distinguir Trojans dormentes do comportamento normal degradou, indicando uma limitação atual de sensibilidade para Trojans extremamente furtivos.
Comparação com o Estado da Arte:
- Comparado com métodos baseados em MLNN, LSTM, HTM e LLM, o HOODOO alcançou precisão competitiva ou superior para detecção de Trojan ativo (ex: 95,4% de precisão no limiar de 3% de ruído).
- Crucialmente, o HOODOO é o único método na comparação que oferece capacidade de detecção de dormência (Classificação de Três Estados), enquanto outros são limitados à detecção binária (Limpo vs. Infectado) ou apenas de detecção ativa.

Significância e Alegações

O artigo afirma que o HOODOO proporciona um avanço significativo na segurança de hardware ao permitir medidas proativas. Ao detectar Trojans em seu estado dormente, as equipes de segurança podem identificar hardware malicioso antes que ele seja acionado e cause falha do sistema ou vazamento de dados.

Os autores enfatizam que sua abordagem:

Não requer modificações de hardware.
Aproveita a modelagem de tempo contínuo das NCDEs para lidar com a irregularidade inerente e o ruído dos sinais de canal lateral.
Oferece uma visão mais matizada da segurança do sistema do que a classificação binária.

Limitações Reconhecidas:
O artigo nota modestamente que a detecção assume que os Trojans dormentes produzem uma assinatura mensurável no canal lateral; Trojans que induzem variações abaixo de 3% da amplitude de pico podem atualmente evitar a detecção. Além disso, a análise de sensibilidade usa ruído Gaussiano como um proxy, enquanto Trojans dormentes do mundo real podem exibir assinaturas estruturadas e não-Gaussianas. Os autores sugerem que trabalhos futuros devem explorar características de anomalia mais ricas a partir dos estados latentes de NCDE e dados de canal lateral multimodais para melhorar a sensibilidade.