基于机器学习的硬件木马自动插入
密码学与安全
2022-04-20 v1
摘要
由于当前促进对不可信第三方知识产权(IP)、CAD工具和代工厂日益依赖的水平化商业模式，硬件木马攻击已成为半导体产业的严重威胁。开发针对硬件木马攻击的有效对策需要：(1)对给定设计可行木马攻击空间的快速可靠探索，以及(2)一套符合特定标准的高质量木马插入基准。后者对于开发和评估设计/验证解决方案以实现可量化的木马攻击防护已变得至关重要。尽管现有静态基准为比较不同对策提供了基线，但它们仅枚举了完整木马设计空间中有限数量的手工木马。为达成这两重目标，本文提出MIMIC，一种用于自动木马插入的新型AI引导框架，其可通过模仿一小部分已知木马的属性，为给定设计生成大量有效木马。尽管已有工具可利用固定木马模板自动插入木马实例，但它们无法分析已知木马攻击以创建准确刻画威胁模型的新实例。MIMIC工作分为两个主要步骤：(1)在多维权空间中分析现有木马群体的结构与功能特征，训练机器学习模型并生成该给定设计的大量“虚拟木马”；(2)随后，通过将它们的功能/结构属性与内部逻辑结构中合适的网表相匹配，将其绑定到设计中。我们已为MIMIC开发了完整工具流，通过探索若干用例广泛评估了该框架，并量化其有效性以展示极具前景的结果。
引用
@article{arxiv.2204.08580,
title = {Automatic Hardware Trojan Insertion using Machine Learning},
author = {Jonathan Cruz and Pravin Gaikwad and Abhishek Nair and Prabuddha Chakraborty and Swarup Bhunia},
journal= {arXiv preprint arXiv:2204.08580},
year = {2022}
}