基于图神经网络预测HLS设计的硬件安全属性
密码学与安全
2023-12-14 v1
摘要
近年来，高层次综合（HLS）工具显著提高了数字系统设计流程的生产力，产生了在面积和延迟方面高度优化的电路。鉴于硬件攻击的演变可能使其变得脆弱，将安全性视为HLS设计流程的重要方面至关重要。然而，评估HLS设计空间中大量功能等效设计的需求对硬件安全评估方法（例如故障注入-FI）提出了挑战。本文提出了一种使用最先进的图神经网络（GNN）方法评估HLS生成设计的硬件安全属性的方法，相比典型评估方法（如FI）实现了显著的加速和更好的可扩展性。我们在AES SBox实现上应用了双模冗余（DMR）对策，并通过HLS指令多样化冗余模块来增强该方法。实验结果表明，通过回归，GNN可以被有效训练以预测关于故障攻击的重要硬件安全指标（例如关键错误率和检测错误率）。所提出的方法以高R平方分数预测基于HLS的设计的故障脆弱性指标，并且在GNN训练完成后相比故障注入实现了巨大的加速。
引用
@article{arxiv.2312.07594,
title = {On the Prediction of Hardware Security Properties of HLS Designs Using Graph Neural Networks},
author = {Amalia Artemis Koufopoulou and Athanasios Papadimitriou and Aggelos Pikrakis and Mihalis Psarakis and David Hely},
journal= {arXiv preprint arXiv:2312.07594},
year = {2023}
}
备注
6 pages, 2 figures, 3 tables, submitted to 2023 IEEE International Symposium on Defect and Fault Tolerance in VLSI and Nanotechnology Systems (DFT)