用于第三方IP核中硬件木马检测的对比图卷积网络
机器学习
2022-03-07 v1 硬件体系结构
密码学与安全
信号处理
摘要
广泛可用的第三方知识产权(3PIP)核使集成电路(IC)设计人员能够专注于ASIC/SoC中的高层特性设计。IC的大规模激增伴随着越来越多出于各种恶意目的试图利用这些电路的不良行为者。这并不令人惊讶,因为集成电路影响着社会的方方面面。因此,不受信任的供应商在用于IC设计的3PIP核中秘密注入恶意逻辑(硬件木马,HT)是一种持续存在的威胁。本文中,我们探索在无黄金模型、含可综合IP核的设计中识别基于触发器的HT的方法。具体而言,我们开发了仅基于从供应商处获得的网表、通过检测嵌入IC中的触发器来检测硬件木马的方法。我们提出GATE-Net,一种基于图卷积网络(GCN)、使用监督对比学习训练的深度学习模型,用于仅凭相应网表标记含随机插入触发器的设计。我们所提架构相较最先进学习模型取得显著改进,在多种电路类型上对组合触发器的检测性能平均提升46.99%,对时序触发器提升21.91%。通过严谨实验及定性与定量性能评估,我们展示了GATE-Net及其监督对比训练用于HT检测的有效性。
引用
@article{arxiv.2203.02095,
title = {Contrastive Graph Convolutional Networks for Hardware Trojan Detection in Third Party IP Cores},
author = {Nikhil Muralidhar and Abdullah Zubair and Nathanael Weidler and Ryan Gerdes and Naren Ramakrishnan},
journal= {arXiv preprint arXiv:2203.02095},
year = {2022}
}