面向自适应RTL硬件Trojan插入的Detector-in-the-Loop LLM：TrojanGYM
密码学与安全
2026-01-27 v1 人工智能
硬件体系结构
摘要
硬件Trojan(HT)仍是一项关键威胁，因为基于学习的探测器常针对狭窄的触发器/有效载荷模式和小型化简基准过拟合。我们引入TrojanGYM，这是一个智能体化、LLM驱动的框架，自动 curated HT 插入，以暴露探测器盲点同时保持设计正确性。给定高级HT规格，TrojanGYM中的一组协作 LLM 智能体（使用 GPT-4、LLaMA-3.3-70B 和 Gemini-2.5Pro）提议并细化实现多样化触发器和有效载荷的RTL修改，而不影响正常功能。TrojanGYM 实现了一个以探测器为反馈的基准生成循环，与HT探测器共设计，其中基于约束的语法检查和基于GNN的HT探测器提供反馈，迭代细化HT规格和插入策略以更好地暴露探测器盲点。我们进一步提出了 Robust-GNN4TJ，这是 GNN4TJ 的一个新实现，改进了图提取、训练鲁棒性和预测可靠性，尤其是在LLM生成的HT设计方面。在最具挑战性的TrojanGYM生成基准上，Robust-GNN4TJ 将HT检测率从 0% 提升至 60% 相对于之前的GNN-based探测器。我们在SRAM、AES-128 和 UART 设计上实现了TrojanGYM，展示了它系统性地产生多样且功能正确的HT，可达 83.33% 针对现代GNN-based探测器的规避率，揭示了这些探测器仅在现有TrustHub-style基准上评估时看不见的鲁棒性差距。撰写本稿后，我们将发布所有代码和构件。
引用
@article{arxiv.2601.17178,
title = {TrojanGYM: A Detector-in-the-Loop LLM for Adaptive RTL Hardware Trojan Insertion},
author = {Saideep Sreekumar and Zeng Wang and Akashdeep Saha and Weihua Xiao and Minghao Shao and Muhammad Shafique and Ozgur Sinanoglu and Ramesh Karri and Johann Knechtel},
journal= {arXiv preprint arXiv:2601.17178},
year = {2026}
}