GNNUnlock：基于图神经网络的无可信预言机可证明安全逻辑锁定解锁方案
密码学与安全
2020-12-14 v1
摘要
本文中，我们提出 GNNUnlock，一种首创的、基于机器学习的无可信预言机攻击方法，针对可证明安全逻辑锁定，能够识别任意所需保护逻辑而不聚焦于特定语法拓扑。关键在于利用训练良好的图神经网络（GNN）识别给定锁定网表中属于目标保护逻辑的所有门，无需预言机。该方法与所针对问题完美契合，因为电路是具有固有结构的图，而保护逻辑是具有特定共性特征的节点（门）子图。GNN 善于捕捉节点邻域属性，便于检测保护逻辑。为纠正 GNN 引起的任何误分类，我们额外提出基于连通性分析的后处理算法，以成功移除预测的保护逻辑，从而恢复原始设计。我们广泛的实验评估表明，GNNUnlock 在破解使用剥离功能逻辑锁定、坚韧无痕逻辑锁定及 Anti-SAT 锁定的各类基准时成功率达 99.24%–100%。我们所提后处理将检测准确率提升至 100%（所有被测锁定基准）。结果分析证实 GNNUnlock 足以在不同参数、综合设置与技术节点下破解所考虑方案。评估进一步显示 GNNUnlock 成功破解了即便最先进攻击也失效的极端案例。
引用
@article{arxiv.2012.05948,
title = {GNNUnlock: Graph Neural Networks-based Oracle-less Unlocking Scheme for Provably Secure Logic Locking},
author = {Lilas Alrahis and Satwik Patnaik and Faiq Khalid and Muhammad Abdullah Hanif and Hani Saleh and Muhammad Shafique and Ozgur Sinanoglu},
journal= {arXiv preprint arXiv:2012.05948},
year = {2020}
}
备注
6 pages, 4 figures, 6 tables, conference