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

Resumo Técnico: Uma Estrutura de Rede Neural Profunda Cruzada para Identificação de Hardware Trojan Discreto em FPGA

Declaração do Problema
A crescente dependência de FPGAs (Field Programmable Gate Arrays) em aplicações de segurança crítica (ex: criptografia, aeroespacial, defesa) aumentou a vulnerabilidade a ataques de Hardware Trojan (HT). Esses circuitos maliciosos são inseridos intencionalmente durante o design ou fabricação para alterar a funcionalidade, degradar o desempenho ou vazar dados. Os métodos de detecção tradicionais enfrentam desafios significativos:

• Discreção (Stealth): Trojans são projetados com condições de ativação raras e pegadas físicas mínimas, muitas vezes evitando testes funcionais.
• Limitações de Técnicas Existentes: O teste funcional exige padrões de teste impraticáveis para designs extensos. A análise de canal lateral (potência, tempo) é sensível a variações de processo e ruído ambiental. A verificação formal e a engenharia reversa frequentemente exigem modelos de referência "golden" confiáveis e altos recursos computacionais.
• Lacunas de Machine Learning: Embora o aprendizado de máquina (ML) ofereça promessas, os classificadores existentes frequentemente tratam as características de forma independente, têm dificuldade em generalizar através de diversas arquiteturas e permanecem vulneráveis à manipulação adversária ou escassez de dados.

Metodologia
O artigo propõe uma nova estrutura utilizando um classificador de Rede Neural Profunda Cruzada (DCNN) para detectar HTs em circuitos VLSI baseados em FPGA. A abordagem é projetada para minimizar a dependência de modelos de referência golden através do aproveitamento do aprendizado de características correlacionadas. O fluxo de trabalho consiste em três estágios primários:

1. Pré-processamento de Dados:

   • Fonte: O estudo utiliza o conjunto de dados de benchmark de nível de chip Trust-Hub, contendo mais de 100 designs diversos (ex: AES, RS232, microcontroladores) com variantes tanto livres de Trojan quanto infectadas por Trojan.
   • Extração de Características: Características estruturais (contagem de portas, fan-in/fan-out, comprimentos de caminho de sinal) e características funcionais/dinâmicas (atividade de comutação, taxas de alternância, estatísticas de potência) são extraídas de netlists e traços de simulação.
   • Limpeza e Normalização: Os dados são limpos para lidar com valores ausentes e outliers. As características são normalizadas (min-max ou z-score) e balanceadas usando técnicas como SMOTE para abordar desequilíbrios de classe. O conjunto de dados é dividido em conjuntos de treinamento, validação e teste.

2. Agrupamento (Clustering):

   • Antes da classificação, o conjunto de características processado passa por um agrupamento não supervisionado. Este passo agrupa amostras de circuitos com base na similaridade estrutural e funcional (ex: complexidade de portas, padrões de conectividade).
   • Propósito: O agrupamento reduz a variância intra-classe, elimina dados redundantes e isola estruturas ocultas. Ele prepara os dados organizando as amostras em grupos coerentes, permitindo que o classificador subsequente foque em padrões correlacionados em vez de anomalias isoladas.

3. Classificação por Rede Neural Profunda Cruzada (DCNN):

   • Arquitetura: O núcleo da estrutura é uma DCNN projetada para explorar correlações entre múltiplos parâmetros do circuito. Diferente de classificadores padrão que analisam características de forma independente, a DCNN aprende relações inter-características (ex: mudanças simultâneas na contagem de portas, distribuição de fan-out e atividade de sinal).
   • Mecanismo: O modelo utiliza matrizes de pesos de entrada ($W$), matrizes de pesos recorrentes ($U$) e vetores de viés ($b$). Ele emprega um mecanismo de composição recursiva onde os estados ocultos são atualizados com base nos estados das células e filtros de conectividade. O processo de treinamento minimiza a perda de Entropia Cruzada via backpropagation para ajustar os pesos.
   • Predição: O modelo treinado mapeia vetores de características agrupados para um espaço de correlação, gerando uma classificação binária (Livre de Trojan vs. Infectado por Trojan) baseada na probabilidade da presença de um Trojan.

Principais Contribuições

• Aprendizado Neural Correlacionado: A principal contribuição é a aplicação de uma DCNN que modela explicitamente a correlação entre características estruturais e funcionais, abordando a limitação da análise de características independentes em detecções de ML existentes.
• Representação de Características Agrupadas: A integração de um passo de pré-processamento de agrupamento para organizar dados heterogêneos de benchmark, aumentando assim a separabilidade de anomalias induzidas por Trojan.
• Redução de Dependência: A estrutura opera sem a necessidade de um modelo de referência golden confiável ou medições complexas de canal lateral, baseando-se nos padrões intrínsecos estruturais e comportamentais do design do circuito.
• Escalabilidade: O método é projetado para ser adaptável a arquiteturas FPGA complexas e diversos tipos de Trojan (combinacionais, sequenciais, paramétricos).

Resultos
A estrutura foi avaliada usando o conjunto de dados Trust-Hub com varições de razões de treinamento-para-teste (60%, 70%, 80%). O desempenho foi comparado com métodos existentes, incluindo abordagens baseadas em Grafos de Conhecimento (VD-KGE [24]) e métodos de Canal Lateral de Atraso (ZDD [25]), bem como modelos padrão de ANN e CNN.

• Acurácia: A estrutura DCNN proposta alcançou uma acurácia de detecção de 98,4%.
• Taxa de Falso Alarme: O sistema demonstrou uma taxa de falso alarme reduzida de 1,2%, uma melhoria significativa sobre as configurações padrão.
• Desempenho Comparativo: O método proposto superou consistentemente os modelos comparados (VD-KGE, ZDD, RNN, CNN) em todas as métricas, incluindo Precisão, Recall, F-Measure, Sensibilidade e Especificidade.
• Robustez: O modelo manteve um desempenho estável através de diferentes tipos de Trojan e tamanhos de circuito. A curva Característica de Operação do Receptor (ROC) indicou uma Área Sob a Curva (AUC) aproximando-se da unidade, significando alta sensibilidade a Trojans discretos enquanto suprime falsos positivos.
• Eficiência: A abordagem é notada por ter um overhead computacional "Baixo" em comparação com métodos de processamento de grafos ou análise de traço, atribuído à eficiência do mecanismo de aprendizado agrupado.

Significância e Alegações
Os autores alegam que este trabalho fornece uma solução confiável e eficiente para aumentar a segurança em sistemas VLSI baseados em FPGA. A significância do estudo reside em sua capacidade de identificar variações sutis introduzidas por Hardware Trojans através do aprendizado neural correlacionado, superando as limitações dos testes tradicionais e da análise de características isoladas.

O artigo afirma que o algoritmo proposto aborda efetivamente desafios fundamentais na detecção de HT, incluindo:

• A natureza discreta da ativação do Trojan.
• A necessidade de escalabilidade através de diversos designs de circuitos.
• O requisito de robustez contra ataques adaptativos.

Ao reduzir a dependência de designs de referência e alcançar alta acurácia com baixos alarmes falsos, a estrutura é apresentada como uma solução viável para aplicações práticas de segurança de hardware. Os autores sugerem que trabalhos futuros possam focar em detecção em tempo real, aprendizado adaptativo para ataques evolutivos e otimização para ambientes FPGA de baixo recurso, mas o estudo atual estabelece a eficácia da abordagem de DCNN agrupada.