拥抱图神经网络用于硬件安全（特邀论文）
密码学与安全
2022-08-19 v1
摘要
图神经网络（GNNs）因其在图结构数据深度学习中的优越性能而受到越来越多的关注。GNNs 已在社交网络、化学和电子设计自动化（EDA）等多个领域取得成功。电子电路长期以来被表示为图，毫不意外，GNNs 在解决各种 EDA 任务中已展现出最先进的性能。更重要的是，GNNs 现正被用于解决若干硬件安全问题，例如检测知识产权（IP）盗版和硬件木马（HTs）等。在本综述中，我们首先全面概述 GNNs 在硬件安全中的使用，并提出首个分类法，将最先进的基于 GNN 的硬件安全系统分为四类：（i）硬件木马检测系统，（ii）IP 盗版检测系统，（iii）逆向工程平台，以及（iv）针对逻辑锁定的攻击。我们总结了所采用 GNNs 的不同架构、图类型、节点特征、基准数据集和模型评估。最后，我们详述所得经验并讨论未来方向。
引用
@article{arxiv.2208.08554,
title = {Embracing Graph Neural Networks for Hardware Security (Invited Paper)},
author = {Lilas Alrahis and Satwik Patnaik and Muhammad Shafique and Ozgur Sinanoglu},
journal= {arXiv preprint arXiv:2208.08554},
year = {2022}
}
备注
To appear at ICCAD 2022