NetDeTox：基于 RL-LLM 编排的硬件安全 GNN 对抗性高效规避

Zeng Wang; Minghao Shao; Akashdeep Saha; Ramesh Karri; Johann Knechtel; Muhammad Shafique; Ozgur Sinanoglu

NetDeTox：基于 RL-LLM 编排的硬件安全 GNN 对抗性高效规避

密码学与安全 2025-12-02 v1 人工智能

作者: Zeng Wang , Minghao Shao , Akashdeep Saha , Ramesh Karri , Johann Knechtel , Muhammad Shafique , Ozgur Sinanoglu

摘要

图神经网络（GNN）在从 netlist 图中学习结构图案方面显示出良好的潜力，但这种对图案的依赖使 GNN 对对抗性 netlist 重写极其脆弱；即使是小规模的编辑也能误导 GNN 预测。现有的对抗方法——从合成配方扰动到门转换——都存在高设计开销。我们提出 NetDeTox，一个自动化的端到端框架，通过系统性地编排大型语言模型（LLM）和强化学习（RL），实现针对性的局部重写。RL 代理识别对 GNN 基于推理关键的 netlist 组件，而 LLM 构思重写计划以多样化图案，同时保持功能。RL 和 LLM 阶段之间的迭代反馈不断细化对抗性重写，以限制开销。与现代 SOTA 工作 AttackGNN 相比，NetDeTox 成功降低了所有安全方案的有效性，同时进行的重写更少且显著降低了面积开销（分别对 GNN-RE、GNN4IP 和 OMLA 减少 54.50%、25.44% 和 41.04%）。对于 GNN4IP，NetDeTox 甚至可以优化/减少原始基准的面积，特别是对于更大的电路，展示了 NetDeTox 的实用性和可扩展性。

关键词

NetDeTox 对抗性 GNN 硬件安全强化学习大型语言模型

引用

@article{arxiv.2512.00119,
  title  = {NetDeTox: Adversarial and Efficient Evasion of Hardware-Security GNNs via RL-LLM Orchestration},
  author = {Zeng Wang and Minghao Shao and Akashdeep Saha and Ramesh Karri and Johann Knechtel and Muhammad Shafique and Ozgur Sinanoglu},
  journal= {arXiv preprint arXiv:2512.00119},
  year   = {2025}
}

NetDeTox：基于 RL-LLM 编排的硬件安全 GNN 对抗性高效规避

摘要

关键词

引用

相关论文