深度学习时代对逻辑锁定方案安全性的挑战：一种神经进化方法
密码学与安全
2021-05-20 v2 机器学习
神经与进化计算
摘要
逻辑锁定是一种在集成电路设计与制造流程中保护硬件设计完整性的重要技术。然而近年来，随着各种去混淆攻击的出现，锁定方案的安全性受到了彻底挑战。如同大多数研究分支，深度学习也正被引入逻辑锁定领域。因此，本文提出 SnapShot：一种针对逻辑锁定的新型攻击，它是同类中首个利用人工神经网络从锁定的综合门级网表直接预测密钥比特值而无需使用黄金参考的攻击。据此，该攻击相比已有工作使用了更简单却更灵活的学习模型。我们评估了两种不同方法。第一种基于简单的全连接前馈神经网络。第二种利用遗传算法演化更复杂的、专用于给定任务的卷积神经网络架构。该攻击流程提供了一个通用且可定制的、使用机器学习技术攻击锁定方案的框架。我们对 SnapShot 在两种现实攻击场景下进行了广泛评估，涵盖基准参考电路以及经硅验证的 RISC-V 核心模块。评估结果显示，SnapShot 在所选攻击场景下平均密钥预测准确率达 82.60%，相比当前最优水平显著提升了 10.49 个百分点。此外，SnapShot 在所有评估基准上均优于现有技术。结果表明，常见逻辑锁定方案的安全基础建立在可疑的假设之上。评估结论为设计未来能抵御机器学习攻击的逻辑锁定方案所面临的挑战提供了见解。
引用
@article{arxiv.2011.10389,
title = {Challenging the Security of Logic Locking Schemes in the Era of Deep Learning: A Neuroevolutionary Approach},
author = {Dominik Sisejkovic and Farhad Merchant and Lennart M. Reimann and Harshit Srivastava and Ahmed Hallawa and Rainer Leupers},
journal= {arXiv preprint arXiv:2011.10389},
year = {2021}
}
备注
25 pages, 17 figures, accepted at ACM JETC