通过监督学习与后处理实现针对第三方硬件IP木马的保障
密码学与安全
2021-12-01 v1 机器学习
摘要
片上系统开发者越来越依赖从不可信第三方供应商获取的预验证硬件知识产权块。这些IP可能包含隐藏的恶意功能或硬件木马，从而危害所制造SoC的安全性。近期，监督机器学习技术在识别第三方IP中潜在木马网络方面展现出了可喜的能力。然而，它们带来了几个主要挑战。首先，它们无法引导我们选择能够可靠覆盖各类木马的最优特征。其次，它们需要多个无木马/可信设计来插入已知木马并生成训练好的模型。即使有一组可信设计可用于训练，可疑IP也可能与这组可信设计存在本质差异，这可能会对验证结果产生负面影响。第三，这些技术仅识别出一组可疑木马网络，需要人工干预以理解潜在威胁。在本文中，我们提出了VIPR，一种基于机器学习的系统性3PIP信任验证解决方案，消除了训练对可信设计的依赖。我们提出了一个综合框架、相关算法和工具流，用于获取最优特征集、训练目标机器学习模型、检测可疑网络并从可疑网络中识别木马电路。我们在多个Trust-Hub木马基准上评估了该框架，并对不同训练模型、特征选择和后处理技术的检测性能进行了比较分析。所提出的后处理算法将误报率降低了高达92.85%。
引用
@article{arxiv.2111.14956,
title = {Third-Party Hardware IP Assurance against Trojans through Supervised Learning and Post-processing},
author = {Pravin Gaikwad and Jonathan Cruz and Prabuddha Chakraborty and Swarup Bhunia and Tamzidul Hoque},
journal= {arXiv preprint arXiv:2111.14956},
year = {2021}
}