联邦学习在硬件保障中应用的潜力与陷阱
密码学与安全
2026-04-23 v1
摘要
随着微电子技术的蓬勃发展以及集成电路 (IC) 和印刷电路板 (PCB) 设计与制造阶段的外包成为常态，微电子利益相关者还必须面对新一波的安全挑战，包括硬件木马、假冒电子产品和逆向工程攻击带来的威胁。测试和侧信道分析等传统检测与预防方法在可靠性和可扩展性方面存在局限性。由深度学习 (DL) 模型进行的自动化逆向工程是硬件保障的万无一失的方法，但由于数据有限而面临挑战。通过汇集来自不同利益相关者（行业竞争对手、政府等）的数据，可以更有效地训练 DL 模型，但知识产权 (IP) 的隐私是一个重大问题。联邦学习 (FL) 被提出作为一种潜在的替代方案，允许在不共享原始数据的情况下协作训练 DL 模型。虽然 FL 已被广泛应用于医疗保健、物联网和金融领域，但其在硬件保障中的应用仍有待探索。本研究首次研究了用于硬件保障的基于 FL 的 DL，证明了在逆向工程的分割任务中 FL 优于单客户端集中式学习。我们的结果表明，增加客户端数量通过协作使用更多数据训练模型来提高 FL 性能。然而，更重要的是，也暴露了 FL 的一个主要陷阱——它仍然容易受到梯度反转攻击的影响。我们表明，攻击者可以恢复在 FL 中使用的 SEM 图像，从而将暴露 FL 本应保护的敏感和专有 IP。我们强调了这些隐私风险，并提出了未来的研究方向，以提高硬件保障的安全性和有效性。
引用
@article{arxiv.2604.20020,
title = {Potentials and Pitfalls of Applying Federated Learning in Hardware Assurance},
author = {Gijung Lee and Wavid Bowman and Olivia Dizon-Paradis and Reiner Dizon-Paradis and Ronald Wilson and Damon Woodard and Domenic Forte},
journal= {arXiv preprint arXiv:2604.20020},
year = {2026}
}