Os chips eletrônicos modernos são os motores silenciosos do nosso mundo, alimentando desde dispositivos médicos até os sistemas que guiam aviões. Esses circuitos minúsculos são fabricados em quantidades vastas, muitas vezes passando pelas mãos de muitas empresas diferentes antes de chegarem ao usuário final. Essa jornada complexa cria uma vulnerabilidade: um ator malicioso poderia inserir uma modificação pequena e oculta no design, um "Cavalo de Troia" digital. Esse circuito oculto pode permanecer latente por anos, esperando por um sinal específico para ser ativado, momento no qual poderia roubar chaves secretas, desligar um sistema ou degradar o desempenho. Como esses dispositivos são frequentemente selados dentro de caixas metálicas e as modificações ocultas são projetadas para serem quase invisíveis, os especialistas em segurança não podem simplesmente olhar dentro do chip para encontrá-las. Em vez disso, eles devem ouvir o comportamento físico do chip. Quando um chip opera, ele consome eletricidade, e esse consumo cria uma assinatura de potência tênue e flutuante. Um circuito malicioso oculto, mesmo quando está quieto, altera levemente esse fluxo de energia. Ao medir essas minúsculas ondulações elétricas, os defensores esperam detectar a presença de uma ameaça oculta sem nunca abrir o chip.

Por anos, pesquisadores recorreram ao aprendizado de máquina para automatizar esse processo de escuta. Eles treinaram programas de computador para reconhecer as assinaturas de potência únicas de chips conhecidos por estarem infectados com essas modificações ocultas. Relatos iniciais foram incrivelamente otimistas, alegando que esses sistemas de inteligência artificial poderiam identificar um chip malicioso com uma precisão quase perfeita, frequentemente citando taxas de sucesso entre 87 e 100 por cento. Esses números sugeriam que havíamos resolvido o problema de rastrear chips em busca de ameaças ocultas. No entanto, um novo estudo realizado por pesquisadores da Prairie View A&M University e da Wright State University desafia essa confiança. Eles argumentam que essas pontuações altas não provam que as máquinas são boas em detectar novas ameaças desconhecidas. Em vez disso, as pontuações refletem um simples caso de familiaridade. Os pesquisadores descobriram que a maneira como esses sistemas foram testados permitiu que eles reconhecessem chips que já haviam visto durante seu treinamento, em vez de realmente identificar um perigo novo.

O cerne do problema reside em como os dados foram divididos para o teste. Nos estudos anteriores, os pesquisadores pegavam milhares de medições de potência de um conjunto de chips infectados e as embaralhavam aleatoriamente em dois montes: um para o treinamento do computador e outro para o teste. Como o mesmo chip específico foi usado para gerar tanto os dados de treinamento quanto os de teste, o computador estava, essencialmente, sendo testado em seu próprio dever de casa. Ele aprendeu a reconhecer o padrão de ruído elétrico específico de um determinado chip que já havia estudado, em vez de aprender as regras gerais do que um circuito malicioso parece ser. É como ensinar um aluno a reconhecer a caligrafia de uma pessoa específica e depois testá-lo na escrita dessa mesma pessoa; ele passará com louvor, mas provavelmente falharia se lhe pedissem para identificar a caligrafia de um estranho. Os pesquisadores perceberam que, em um cenário do mundo real, o chip sendo testado seria um dispositivo completamente novo, um que o sistema de segurança nunca havia encontrado antes.

Para corrigir isso, a equipe redesenhou o experimento para ser estritamente justo. Eles separaram os dados de modo que nenhum chip único aparecesse nos grupos de treinamento e de teste. Eles treinaram o computador em um conjunto de chips e, em seguida, o testaram em um chip completamente diferente, que o sistema nunca havia visto. Quando fizeram isso, as impressionantes taxas de sucesso desapareceram. A capacidade do sistema de detectar as ameaças ocultas caiu drasticamente, para um nível que era pouco melhor do que um palpite aleatório. Em alguns casos, o sistema tornou-se pior do que o acaso aleatório, identificando erroneamente chips limpos como infectados ou perdendo as ameaças completamente. Isso aconteceu mesmo quando os pesquisadores tentaram diferentes tipos de modelos de computador avançados, provando que o problema não era a falta de poder computacional ou uma escolha ruim de algoritmo, mas uma limitação fundamental na forma como os dados se comportam.

O estudo revelou que os sinais elétricos dessas ameaças ocultas são incrivelmente tênues e espalhados por toda a medição, tornando-os muito difíceis de distinguir do ruído de fundo normal. Os pesquisadores descobriram que o sistema só conseguia ter sucesso se já tivesse visto um chip muito semelhante durante seu treinamento. Se um tipo específico de ameaça oculta estivesse presente nos dados de treinamento, o sistema conseguiria detectar um novo chip com essa mesma ameaça. Mas se os dados de treinamento não incluíssem um parente próximo da ameaça no chip de teste, o sistema falhava. Essa dependência de familiaridade significa que um programa de segurança universal e pré-treinado não pode ser construído para escanear todos os chips do mundo. Em vez disso, para detectar confiavelmente uma ameaça em um dispositivo específico, os especialistas em segurança devem primeiro realizar um pequeno número de medições do próprio dispositivo para calibrar o sistema.

Os pesquisadores testaram essa ideia fornecendo ao sistema apenas algumas medições do novo chip antes de pedir que ele fizesse um julgamento. Com essa pequena quantidade de informação específica, a precisão do sistema melhorou significativamente, superando qualquer método que tentasse depender de dados de outros chips não relacionados. Esta descoberta sugere que o futuro da segurança de chips não reside em um único modelo de inteligência artificial onisciente. Em vez disso, requer uma abordagem mais prática onde cada dispositivo é brevemente calibrado antes de ser examinado. O estudo conclui que os altos números de precisão relatados no passado foram uma ilusão criada por métodos de teste falhos. A detecção no mundo real é muito mais difícil, exigindo uma abordagem personalizada para cada novo chip, em vez de uma solução de tamanho único. Ao mudar a forma como testamos esses sistemas, os pesquisadores forneceram uma imagem mais clara e honesta do que é possível e do que é necessário para manter nossa infraestrutura digital segura.