SAIL：机器学习引导的针对硬件混淆的结构分析攻击
密码学与安全
2018-10-01 v1
摘要
混淆是一种保护硬件知识产权 (IP) 模块免受逆向工程、盗版和恶意修改的技术。当前的混淆工作主要集中在设计的功能锁定上，以防止黑盒使用。它们没有直接解决通过结构变换隐藏设计意图的问题，而这正是混淆的一个重要目标。我们注意到当前的混淆技术仅包含：(1) 局部的，以及 (2) 可预测的电路拓扑变化。在本文中，我们提出了 SAIL，一种使用机器学习 (ML) 模型对混淆进行结构攻击的方法，暴露了这些方法的一个关键漏洞。通过这种攻击，我们证明了混淆设计的门级结构在大部分情况下可以通过系统的步骤集被恢复。所提出的攻击适用于所有形式的逻辑混淆，并且比现有攻击（例如基于 SAT 的攻击）强大得多，因为它不需要可用真实的函数响应（例如解锁的 IC）。在基准电路上的评估表明，我们能够恢复混淆引入的平均约 84%（最高达 95%）的变换。我们还表明该攻击具有可扩展性、灵活性和通用性。
引用
@article{arxiv.1809.10743,
title = {SAIL: Machine Learning Guided Structural Analysis Attack on Hardware Obfuscation},
author = {Prabuddha Chakraborty and Jonathan Cruz and Swarup Bhunia},
journal= {arXiv preprint arXiv:1809.10743},
year = {2018}
}
备注
6 pages, 6 figures, 8 tables