Resumo Técnico: TroPUF: Avaliando a Inserção de Trojans de Hardware em Funções Físicas Não Clonáveis Baseadas em Atraso

1. Definição do Problema

As Funções Físicas Não Clonáveis (PUFs) baseadas em atraso são amplamente utilizadas para autenticação de dispositivos e geração de chaves devido à sua dependência de variações de atraso induzidas pela fabricação. Essas variações criam um não-determinismo inerente, que é uma característica de segurança desejada para gerar impressões digitais únicas de dispositivos. No entanto, esse mesmo não-determinismo cria uma vulnerabilidade de segurança única: ele permite que a lógica maliciosa (Trojans de Hardware) se misture de forma indistinguível ao comportamento normal do circuito.

A pesquisa atual trata a segurança de PUFs e a detecção de Trojans de Hardware como domínios separados. A avaliação de PUFs foca em métricas estatísticas (unicidade, confiabilidade, uniformidade, aleatoriedade) e resistência a modelos de aprendizado de máquina (ML), assumindo uma implementação confiável. Por outro lado, a detecção de Trojans normalmente depende da identificação de anomalias em lógica determinística, sobrecarga estrutural ou desvios de canal lateral. A lacuna crítica identificada neste trabalho é a falta de compreensão sobre a interação entre esses dois domínios. Especificamente, permanece inexplorado se um Trojan inserido diretamente dentro de um primitivo de PUF baseado em atraso pode satisfazer as métricas funcionais padrão de PUF e manter a resistência ao modelagem enquanto estiver latente, evitando técnicas de validação convencionais até que o payload seja ativado.

2. Metodologia

Os autores propõem o TroPUF, um framework de simulação unificado projetado para avaliar a inserção de Trojans de hardware através de múltiplas arquiteturas de PUF baseadas em atraso. A metodologia envolve uma comparação sistemática de PUFs "limpos" contra PUFs "infectados por Trojans" sob três fases distintas: análise funcional, análise estrutural/de potência e análise de aprendizado por ML.

A. Arquiteturas de PUF

O framework avalia quatro designs distintos de PUF baseados em atraso para avaliar o impacto da complexidade arquitetônica:

1. Arbiter PUF Único (SA-PUF): Uma arquitetura linear de linha de base vulnerável a ataques de modelagem.
2. Feedforward Arbiter PUF (FA-PUF): Introduz dependência de estágio para quebrar a separabilidade linear.
3. XOR Arbiter PUF (XA-PUF): Combina múltiplas cadeias de arbiter independentes via XOR bit a bit para aumentar a não-linearidade.
4. Obfuscated Composite Feedforward XOR Interpose Arbiter PUF (OA-PUF): Um design hierárquico e altamente complexo que combina estruturas de feedforward e interpose.

B. Modelos de Trojan

O estudo implementa Trojans projetados manualmente com variados mecanismos de gatilho e tipos de payload:

• Gatilhos (Triggers):
  • Sequencial: Ativa após uma sequência ordenada específica de desafios.
  • Contador: Ativa após um número predefinido de pulsos de início (contagem de eventos).
  • Hash: Ativa quando um hash baseado em XOR do desafio corresponde a um valor alvo.
• Payloads:
  • Injeção de Viés (Bias Injection): Força a saída do PUF para um valor lógico fixo.
  • Congelamento de Saída (Freeze Output): Armazena e reproduz a primeira resposta válida, eliminando a variabilidade dependente do desafio.

C. Configuração Experimental

Os experimentos foram conduzidos usando um testbench Verilog unificado e simulação RTL.

• Métricas Funcionais: Unicidade, confiabilidade, uniformidade e aleatoriedade foram calculadas usando scripts Python em logs de simulação.
• Análise de Síntese: Os designs foram sintetizados no Vivado para medir a utilização de Lookup Tables (LUT), utilização de Flip-Flops (FF) e consumo total de potência no chip.
• Modelagem de ML: Modelos de regressão logística foram treinados em 50.000 Pares Desafio-Resposta (CRPs) para avaliar a precisão de predição. O estudo distingue entre o estado latente (pré-gatilho) e o estado ativado (pós-ativação).

3. Resultados Principais

A. Métricas Funcionais

• Estado Latente: Os PUFs infectados por Trojans no estado latente eram estatisticamente indistinguíveis dos PUFs limpos. Todas as arquiteturas mantiveram unicidade próxima do ideal (50%), confiabilidade perfeita (100%), uniformidade equilibrada (50%) e alta aleatoriedade (>99%).
• Estado Ativado: Após a ativação, todas as arquiteturas exibiram degradação imediata e severa. A unicidade caiu para próximo de 0%, a confiabilidade caiu para ~50%, a uniformidade mudou para viés extremo (>99%) e a aleatoriedade colapsou para próximo de 0%.
• Conclusão: A complexidade estrutural (ex: OA-PUF) não impediu a degradação pós-ativação, nem mascarou a conformidade do estado latente com as métricas padrão.

B. Análise Estrutural e de Potência

• Sobrecarga de Recursos: A inserção de lógica de Trojan (gatilhos e payloads) resultou em aumentos mínimos na utilização de LUT e FF. Em arquiteturas complexas, o overhead relativo foi ainda menos perceptível.
• Consumo de Potência: A lógica do Trojan em estado latente não produziu uma assinatura de potência distinguível. O consumo incremental foi mascarado pela atividade de chaveamento inerente aos circuitos do PUF, particularmente em designs com maior atividade.
• Conclusão: Técnicas convencionais de validação estrutural e de canal lateral (potência) falharam em detectar a presença de Trojans latentes.

C. Resistência à Modelagem de ML

• Estado Latente: Tanto os PUFs limpos quanto os infectados por Trojans (latentes) exibiram precisões de predição em torno de 50% (tentativa aleatória) quando submetidos à regressão logística. A presença de lógica maliciosa latente não alterou a capacidade de aprendizado do PUF.
• Estado Ativado: Uma vez ativados, a precisão de predição para todas as arquiteturas saltou para >99%. O payload tornou as respostas do PUF determinísticas e altamente previsíveis.
• Conclusão: A resistência à modelagem é preservada no estado latente, o que significa que métodos de detecção baseados em ML não podem distinguir um PUF infectado por Trojan de um PUF limpo antes da ativação.

4. Principais Contribuições

1. Framework Unificado: Desenvolvimento do TroPUF, o primeiro framework para analisar a inserção de Trojans de hardware diretamente dentro de primitivos de PUF baseados em atraso através de múltiplas arquiteturas e tipos de Trojan.
2. Avaliação Integrada: Avaliação simultânea de métricas funcionais, overhead de hardware e resistência à modelagem de ML, revelando que essas métricas são insuficientes para detectar Trojans incorporados em seu estado latente.
3. Identificação de Lacuna de Segurança: Demonstração de que satisfazer as métricas convencionais de PUF (unicidade, confiabilidade, etc.) e a resistência à modelagem não garante a integridade do primitivo de segurança quando a lógica maliciosa é incorporada a ele.

5. Significância e Alegações

O artigo afirma que o modelo de confiança atual para primitivos de segurança de hardware é fundamentalmente falho quando aplicado a PUFs. Os autores argumentam que as próprias características que tornam os PUFs eficazes (variação de processo intrínseca e não-determinismo) também permitem ocultar lógica maliciosa.

A principal significância deste trabalho é a exposição de um "ponto cego" na segurança de hardware:

• A validação convencional falha: Técnicas convencionais de validação funcional, estrutural e baseada em ML não conseguem detectar um Trojan incorporado em um PUF antes que a condição de gatilho seja atendida.
• Problema de Segurança Acoplado: PUFs e Trojans de Hardware devem ser avaliados como um problema de segurança acoplado, em vez de entidades independentes.
• Risco de Comprometimento da Raiz de Confiança: Como os PUFs frequentemente servem como primitivos de raiz de confiança, um PUF comprometido compromete todos os mecanismos de segurança de nível superior dependentes dele, podendo permitir ataques em plataformas inteiras.

Os autores concluem que novas estratégias de detecção devem ir além das suposições atuais de lógica determinística e abordar o desafio específico de lógica maliciosa incorporada diretamente dentro do próprio primitivo de segurança.