AppGNN：基于图神经网络的近似感知功能逆向工程
密码学与安全
2022-08-24 v1
摘要
集成电路（IC）市场的全球化吸引了越来越多的合作方，同时也显著拉长了供应链。由此，诸如功能逆向工程（RE）所带来的安全担忧已变得至关重要。RE 导致机密信息泄露给竞争对手，并可能促成知识产权窃取。传统功能 RE 方法通过模式匹配分析给定的门级网表，以重建底层基本块，从而逆向工程电路功能。本工作中，我们首次证明将近似计算（AxC）原理应用于电路可显著提升抗 RE 的弹性，这归因于底层模式匹配过程复杂度的增加。即便对于当前功能 RE 中最强大的 SOTA 技术之一图神经网络（GNNs），该弹性依然有效。使用 AxC，我们展示了 GNN 平均分类准确率的大幅下降——从 98% 降至仅 53%。为克服 AxC 在 RE 中引入的挑战，我们提出了极具前景的 AppGNN 平台，其使 GNNs（仍在精确电路上训练）能够：(i) 执行准确分类，以及 (ii) 逆向工程电路功能，而不论所采用的近似技术如何。AppGNN 通过实现一种模拟通用近似方法、且无需了解目标近似类型的基于图的节点采样新方法达成上述目标。我们进行了广泛评估，结果表明使用我们的方法，在对采用进化算法生成的近似加法器电路（我们的方法对其未知）分类时，可将分类准确率从 53% 提升至 81%。
引用
@article{arxiv.2208.10868,
title = {AppGNN: Approximation-Aware Functional Reverse Engineering using Graph Neural Networks},
author = {Tim Bucher and Lilas Alrahis and Guilherme Paim and Sergio Bampi and Ozgur Sinanoglu and Hussam Amrouch},
journal= {arXiv preprint arXiv:2208.10868},
year = {2022}
}
备注
To appear at the 2022 International Conference On Computer-Aided Design (ICCAD)