MaliGNNoma：基于图神经网络的恶意电路分类器，用于安全云FPGA
密码学与安全
2024-03-05 v1
摘要
云现场可编程门阵列（FPGA）的安全面临来自不可信用户通过恶意电路配置发起故障和侧信道攻击的挑战。故障注入攻击可能导致拒绝服务、破坏功能或泄露秘密信息。在多租户场景中，这种威胁进一步放大。在加载到FPGA之前检测此类威胁至关重要，但现有方法难以识别复杂的攻击。我们提出了MaliGNNoma，一种基于机器学习的解决方案，能够准确识别恶意FPGA配置。作为一种网表扫描机制，它可由云服务提供商用作必要多层安全系统中的初始安全层。通过利用FPGA网表的固有图表示，MaliGNNoma采用图神经网络（GNN）学习独特的恶意特征，超越了当前方法。为了增强透明度，MaliGNNoma利用参数化解释器解释GNN，标记FPGA配置并定位导致恶意分类的子电路。通过在配备Xilinx UltraScale+ FPGA的ZCU102板上进行大量实验，我们验证了MaliGNNoma在检测恶意配置（包括基于良性模块（如密码加速器）的复杂攻击）方面的有效性。MaliGNNoma的分类准确率和精确率分别达到98.24%和97.88%，超越了最先进水平。我们将MaliGNNoma与五种最先进的扫描方法进行比较，发现并非所有被MaliGNNoma检测到的攻击向量都能被现有解决方案识别，进一步强调了其有效性。此外，我们公开提供了MaliGNNoma及其相关数据集。
引用
@article{arxiv.2403.01860,
title = {MaliGNNoma: GNN-Based Malicious Circuit Classifier for Secure Cloud FPGAs},
author = {Lilas Alrahis and Hassan Nassar and Jonas Krautter and Dennis Gnad and Lars Bauer and Jorg Henkel and Mehdi Tahoori},
journal= {arXiv preprint arXiv:2403.01860},
year = {2024}
}
备注
Will appear in the 2024 IEEE International Symposium on Hardware Oriented Security and Trust (HOST)