基于强化学习的 Trojan 生成工具 TrojanForge
密码学与安全
2024-12-10 v3 硬件体系结构
机器学习
摘要
硬件 Trojan（HT）问题可被视为攻击者和防御者之间持续的博弈，双方都试图通过利用任何可用手段来获得优势。机器学习（ML）最近在推动 HT 研究方面发挥了关键作用。各种新技术，如强化学习（RL）和图神经网络（GNNs），已显示出 HT 插入和检测能力。特别是，针对 HT 插入的 ML 技术由于传统 HT 基准的不足以及人类设计偏差而在研究活动中呈上升趋势。本工作通过提出一种名为 TrojanForge 的工具，能够生成能通过 HT 检测器的对抗性 HT 示例，来延续这种创新，演示了类似 GAN 对抗工具用于自动 HT 插入的能力。我们引入了一个 RL 环境，其中 RL 插入代理在插入-检测循环中与 HT 检测器交互，根据其成功绕过 HT 检测器的程度收集奖励。我们的结果表明，这一过程有助于插入的 HT 规避各种 HT 检测器，实现高攻击成功率。这一工具为我们提供了关于 HT 插入在某些实例中为何会失败的见解，并帮助我们在防御方面利用这一知识。
引用
@article{arxiv.2405.15184,
title = {TrojanForge: Generating Adversarial Hardware Trojan Examples Using Reinforcement Learning},
author = {Amin Sarihi and Peter Jamieson and Ahmad Patooghy and Abdel-Hameed A. Badawy},
journal= {arXiv preprint arXiv:2405.15184},
year = {2024}
}