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

技术摘要：一种用于 FPGA 中隐蔽硬件木马识别的深度交叉神经网络框架

问题陈述
随着对现场可编程门阵列（FPGA）在安全关键型应用（如密码学、航空航天、国防）中依赖程度的日益增加，其面临的硬件木马（HT）攻击风险也随之上升。这些恶意电路是在设计或制造阶段故意插入的，旨在改变功能、降低性能或泄露数据。传统的检测方法面临重大挑战：

• 隐蔽性： 木马设计具有罕见的触发条件和极小的物理足迹，通常能规避功能测试。
• 现有技术的局限性： 功能测试需要针对大型设计的极高测试模式，这在实际操作中并不可行。侧信道分析（功耗、时序）对工艺偏差和环境噪声非常敏感。形式化验证和逆向工程通常需要受信任的“黄金”参考模型以及高计算资源。
• 机器学习差距： 虽然机器学习（ML）展现出了前景，但现有的分类器通常将特征视为独立个体，难以在多样化架构间实现泛化，并且在面对对抗性操纵或数据稀缺时表现脆弱。

方法论
本文提出了一种利用**深度交叉神经网络（DCNN）**分类器来检测 FPGA 基 VLSI 电路中硬件木马的新颖框架。该方法旨在通过利用相关特征学习，最大限度地减少对黄金参考模型的依赖。其工作流程包含三个主要阶段：

1. 数据预处理：

   • 来源： 本研究使用了 Trust-Hub 芯片级木马基准数据集，其中包含超过 100 个多样化设计（如 AES、RS232、微控制器），涵盖了无木马和受木马感染的版本。
   • 特征提取： 从网表和仿真轨迹中提取结构特征（门计数、输入/输出扇入/扇出、信号路径长度）以及功能/动态特征（翻转活动、翻转率、功耗统计）。
   • 清洗与归一化： 对数据进行清洗以处理缺失值和异常值。通过归一化（Min-Max 或 Z-Score）和使用 SMOTE 技术进行平衡，以解决类别不平衡问题。数据集被划分为训练集、验证集和测试集。

2. 聚类：

   • 在分类之前，处理后的特征集经过无监督聚类。这一步根据电路的结构和功能相似性（如门复杂度、连通性模式）对电路样本进行分组。
   • 目的： 聚类可以减少类内方差，消除冗余数据，并隔离隐藏结构。它通过将样本组织成连贯的组来准备数据，使随后的分类器能够专注于相关模式而非孤立的异常点。

3. 深度交叉神经网络（DCNN）分类：

   • 架构： 框架的核心是一个旨在利用多个电路参数之间相关性的 DCNN。与分析独立特征的标准分类器不同，DCNN 学习特征间的相互关系（例如，门计数、扇出分布和信号活动的同时变化）。
   • 机制： 该模型使用输入权重矩阵 ($W$)、循环权重矩阵 ($U$) 和偏置向量 ($b$)。它采用递归组合机制，根据单元状态和连通性滤波器更新隐藏状态。训练过程通过反向传播最小化交叉熵损失，以调整权重。
   • 预测： 训练后的模型将聚类特征向量映射到相关空间，根据木马存在的可能性生成二进制分类结果（无木马 vs. 受木马感染）。

核心贡献

• 相关神经学习： 主要贡献在于应用了 DCNN，它显式地对结构特征和功能特征之间的相关性进行建模，解决了现有基于机器学习的检测方法中特征独立分析的局限性。
• 聚类特征表示： 集成了聚类预处理步骤来组织异构基准数据，从而增强了木马诱发异常的可分离性。
• 降低依赖性： 该框架无需受信任的黄金参考模型或复杂的侧信道测量，而是依赖于电路设计的内在结构和行为模式。
• 可扩展性： 该方法旨在适应复杂的 FPGA 架构和多样化的木马类型（组合逻辑、时序逻辑、参数化木马）。

结果
该框架使用 Trust-Hub 数据集在不同的训练-测试比例（60%、70%、80%）下进行了评估。其性能与包括基于知识图谱的方法（VD-KGE [24]）和延迟侧信道方法（ZDD [25]）以及标准 ANN 和 CNN 模型进行了基准对比。

• 准确率： 所提出的 DCNN 框架实现了 98.4% 的检测准确率。
• 误报率： 系统展示了 1.2% 的低误报率，较标准配置有显著提升。
• 对比性能： 该方法在所有指标（包括精确率、召回率、F-Measure、灵敏度和特异度）上均一致优于对比模型（VD-KGE、ZDD、RNN、CNN）。
• 鲁棒性： 模型在不同类型的木马和电路规模下保持了稳定的性能。受试者工作特征（ROC）曲线表明 AUC 接近于 1，意味着对隐蔽木马具有高灵敏度，同时抑制了假阳性。
• 效率： 与图处理或轨迹分析方法相比，该方法具有“低”计算开销，这归功于聚类学习机制的高效性。

意义与主张
作者声称这项工作为增强基于 FPGA 的 VLSI 系统安全性提供了一种可靠且高效的解决方案。该研究的意义在于能够通过相关神经学习识别由硬件木马引入的细微变化，克服了传统测试和孤立特征分析的局限性。

论文断言，所提算法有效地解决了硬件木马检测中的关键挑战，包括：

• 木马激活的隐蔽性。
• 跨多样化电路架构的可扩展性需求。
• 针对自适应攻击的鲁棒性需求。

通过降低对参考设计的依赖并实现高准确率和低误报率，该框架被呈现为一种适用于实际硬件安全领域的可行方案。作者建议未来的工作可以侧重于实时检测、针对演进攻击的自适应学习，以及面向低资源 FPGA 环境的优化，但当前的研究已经确立了聚类 DCNN 方法的有效性。