AttackGNN：使用强化学习对硬件安全中的图神经网络进行红队攻击
机器学习
2024-02-28 v2 密码学与安全
摘要
机器学习在解决若干关键硬件安全问题方面展现出巨大潜力。特别是，研究人员开发了基于图神经网络（GNN）的新技术，用于检测知识产权（IP）盗版、检测硬件木马（HT）以及逆向工程电路等。这些技术表现出卓越的准确性，并受到社区的广泛关注。然而，由于这些技术用于安全应用，必须对其进行彻底评估，确保其鲁棒性且不损害集成电路的安全性。在这项工作中，我们提出了AttackGNN，这是首个针对硬件安全中基于GNN技术的红队攻击。为此，我们设计了一种新颖的强化学习（RL）智能体，用于生成对抗性示例（即电路）来攻击基于GNN的技术。我们克服了有效性、可扩展性和通用性三个挑战，从而设计出强大的RL智能体。我们针对硬件安全中四类关键问题（IP盗版、检测/定位HT、逆向工程和硬件混淆）的五种基于GNN的技术进行了攻击。通过我们的方法，我们构造出能够欺骗本工作中所有考虑到的GNN的电路。例如，为了逃避IP盗版检测，我们生成对抗性盗版电路，欺骗基于GNN的防御系统将我们构造的电路分类为非盗版。对于攻击HT定位GNN，我们的攻击生成含有HT的电路，在所有测试电路上都欺骗了防御系统。对于所有类别的问题，我们针对GNN的攻击均获得了100%的成功率。
引用
@article{arxiv.2402.13946,
title = {AttackGNN: Red-Teaming GNNs in Hardware Security Using Reinforcement Learning},
author = {Vasudev Gohil and Satwik Patnaik and Dileep Kalathil and Jeyavijayan Rajendran},
journal= {arXiv preprint arXiv:2402.13946},
year = {2024}
}
备注
To appear in USENIX Security Symposium, 2024