Autonomous hardware security evaluation from reconnaissance to physical validation
本文提出了一种基于大语言模型（LLM）的自主智能体，该智能体集成了侦察、固件分析和人机协同控制，成功地在 ATmega328P 微控制器和 Artix-7 FPGA 上执行并验证了激光故障注入攻击，展示了一种可扩展的物理硬件安全评估工作流。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在计算机芯片的隐秘世界里，安全不仅仅关乎复杂的软件代码，更关乎硅片本身的物理现实。即使是最安全的数字锁，如果攻击者能在极其精确的时机对机器的大脑进行物理干扰，也是会被破解的。这个被称为硬件安全（hardware security）的领域，涉及研究当芯片受到微小且精确的扰动（例如闪光或磁脉冲）时会如何表现。这些扰动会导致芯片忘记计算中的某一步骤、跳过安全检查，或者泄露密钥。几十年来，测试这些漏洞一直是一个缓慢且依赖人工的过程。它需要人类专家研究芯片的设计，猜测弱点可能隐藏的位置，然后小心翼翼地将激光对准那个点并观察结果。这是一场推理与精准度的精妙舞蹈，一次错误的猜测就会浪费数小时的时间，而一次错失的时机则意味着秘密依然安全。
来自法国圣埃蒂安矿业学院（Mines Saint-Etienne）和法国中央理工学院（CEA）研究人员的一项新研究介绍了一种不同的工作方式。他们构建了一个人工智能智能体，可以引导整个过程——从最初的假设到最终的证明。这个智能体并非要取代人类专家，而是作为一个不知疲倦的伙伴，处理规划与执行中的繁重工作。该系统首先会阅读关于芯片的所有可用文档，包括其说明书和运行在其上的代码。随后，它通过观察芯片内部结构的图像来了解不同部件的位置。利用这些信息，AI 会针对激光脉冲可能导致错误的位置提出一系列假设。接着，它会设计一系列实验来验证这些想法，并为什么是成功以及什么是失败设定严格的规则。至关重要的是，人类专家仍然掌控着安全与最终审批权，充当着在机器继续进行每一步之前进行授权的把关人。
研究人员在两种截然不同的计算机芯片上测试了该系统，以观察其是否具有普适性。第一个目标是一个常见的微控制器，这种小型芯片常用于日常电子设备中。AI 智能体首先分析了该芯片的固件（即告诉芯片如何工作的软件）。它识别出了一个特定的安全检查环节，即芯片验证个人识别码（PIN）的过程。智能体假设，激光脉冲可以将芯片诱骗进入接受错误 PIN 码的状态。为了测试这一点，智能体在芯片执行安全检查时将激光对准芯片。经过一系列精心计时的脉冲后，智能体成功让芯片接受了一个错误的 PIN 码。它不仅是靠猜测，还通过询问芯片的内部状态验证了结果，确认了芯片确实认为自己现在已解锁。智能体还测试了芯片执行复杂数学加密运算的能力。它成功地以一种可重复的方式破坏了加密过程的输出，在 14 次尝试中产生了完全相同的错误，而在没有激光的对照组测试中，则未出现任何错误。
第二个测试涉及一种用于高级计算任务的更复杂的芯片。在这里，挑战在于芯片的内部布局并不像前者那样易于映射。智能体采用了不同的方法，将芯片背面的视觉扫描与设计的数字地图相结合，以定位负责加密的具体区域。随后，它运行了海量的测试，在数千个不同位置发射激光。系统记录了近 18.3 万个独立的测试结果。它发现，在某些位置和特定设置下，芯片会产生错误答案。智能体能够区分简单的故障与真正的安全失效，注意到有些错误是反复出现的，而有些则是随机的。这证明了 AI 可以在无需人类手动引导每一次射击的情况下，应对现代芯片的复杂性。
这项工作的意义不仅在于 AI 找到了这些错误，更在于它是如何找到的。该系统并非简单地随机发射激光直到发生故障，而是构建了一个芯片的心理地图，将它所掌握的代码知识与它所看到的物理图像联系起来。当遇到令人困惑的结果（例如信号与预期不符）时，它会暂停并重新评估计划。它能纠正自己的错误，例如修复在过程中发现的布线问题，然后继续运行。人类操作员设定了边界，决定哪些测试是安全的，并在达到目标后停止过程。AI 处理常规决策，根据前一次测试的结果选择下一个测试点。这创造了一个闭环，使机器能够实时从自身的行动中学习。
研究表明，这种方法可以适用于不同类型的硬件，从简单的微控制器到复杂的可编程逻辑器件。研究人员发现，AI 辅助的方法大约可以在一天内准备好一次实验，而人类专家单独工作可能需要一周或更长时间。这种速度源于 AI 能够快速处理海量文档和图像，从而缩小搜索范围。然而，研究人员明确指出，这是一个评估工具，而非解决所有安全问题的“魔杖”。AI 找到了实验室中破坏芯片的具体方式，但它并未找回密钥，也未能完全解释每个错误背后的电学机制。它发现的部分错误仍是一个谜，研究人员指出，还需要进一步调查以准确理解光是如何导致芯片失效的。
这项工作的终极目标是使硬件安全测试变得更加可靠和高效。通过将对芯片的理论理解与物理测试自动化地连接起来，该系统允许专家专注于宏观层面，而由机器处理细节。人类始终是裁判，决定一项发现是否具有显著意义以及何时停止。研究结论认为，这种人类判断力与人工智能之间的协作是一种可行的发展路径。它证明了 AI 不仅能“阅读”芯片的指令，还能通过与物理世界的互动来寻找其弱点，同时遵循严格的安全规则。这并不意味着芯片现在变得更不安全了；相反，这意味着构建芯片的人们拥有了一种强大的新手段，可以在缺陷被他人利用之前发现并修复它们。这项工作展示了硬件安全的未来很可能依赖于那些能够在人类监督下，在物理世界中思考、规划并采取行动的系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。