Machine Learning-Based Security Evaluation and Overhead Analysis of Logic Locking
Machine Learning-Based Security Evaluation and Overhead Analysis of Logic Locking
复制标题
基于机器学习的逻辑锁定安全评估和开销分析
DOI：
10.1007/s41635-024-00144-8
复制
发表时间：
2024
期刊：
影响因子：
--
通讯作者：
Rezaei, Amin
中科院分区：
文献类型：
--
作者：
Aghamohammadi, Yeganeh;Rezaei, Amin
在无晶圆厂模式下，盗版和硬件知识产权的过度生产日益成为半导体行业的担忧。尽管芯片设计人员试图通过逻辑锁定和混淆来保护他们的设计免受这些威胁，但由于强大的神谕引导攻击数量的增加，他们在评估其设计的安全性和相关开销方面面临着越来越大的挑战。特别是当许多所谓的“可证明”逻辑锁定技术受到新的攻击面时，克服这些攻击可能会给电路带来巨大的开销。因此，在本文中，在研究了最先进的图神经网络模型在逻辑锁定方面的缺点并反驳了使用汉明距离作为适当的关键精度度量之后，我们采用了两个机器学习模型，一个决策树来预测锁定基准的安全程度，一个卷积神经网络来为给定电路分配低开销和安全的锁定方案。我们首先通过使用现有的逻辑锁定方法在锁定基准上运行不同的攻击来构建多标签数据集，以评估安全性并计算强加的面积开销。然后，我们设计并训练一个决策树模型来学习所创建数据集的特征，并预测每个给定锁定电路的安全程度。此外，我们利用卷积神经网络模型来提取更多的特征，获得更高的精度，并考虑开销。然后，我们将训练好的模型放在不同的未知基准上进行测试。实验结果表明，卷积神经网络模型在从未见过的大型数据集中提取特征方面具有更高的能力，这有助于为给定的网络列表分配安全和低开销的逻辑锁定。
Piracy and overproduction of hardware intellectual properties are growing concerns for the semiconductor industry under the fabless paradigm. Although chip designers have attempted to secure their designs against these threats by means of logic locking and obfuscation, due to the increasing number of powerful oracle-guided attacks, they are facing an ever-increasing challenge in evaluating the security of their designs and their associated overhead. Especially while many so-called “provable” logic locking techniques are subjected to a novel attack surface, overcoming these attacks may impose a huge overhead on the circuit. Thus, in this paper, after investigating the shortcomings of state-of-the-art graph neural network models in logic locking and refuting the use of hamming distance as a proper key accuracy metric, we employ two machine learning models, a decision tree to predict the security degree of the locked benchmarks and a convolutional neural network to assign a low-overhead and secure locking scheme to a given circuit. We first build multi-label datasets by running different attacks on locked benchmarks with existing logic locking methods to evaluate the security and compute the imposed area overhead. Then, we design and train a decision tree model to learn the features of the created dataset and predict the security degree of each given locked circuit. Furthermore, we utilize a convolutional neural network model to extract more features, obtain higher accuracy, and consider overhead. Then, we put our trained models to the test against different unseen benchmarks. The experimental results reveal that the convolutional neural network model has a higher capability for extracting features from unseen, large datasets which comes in handy in assigning secure and low-overhead logic locking to a given netlist.
登录
查看更多内容
DOI：
10.1145/3060403.3060469
发表时间：
2017-05
期刊：
Proceedings of the Great Lakes Symposium on VLSI 2017
影响因子：
--
作者：
Yuanqi Shen;H. Zhou
通讯作者：
Yuanqi Shen;H. Zhou
挑战深度学习时代逻辑锁定方案的安全性：神经进化方法
DOI：
10.1145/3431389
发表时间：
2020
期刊：
ArXiv
影响因子：
--
作者：
Dominik Sisejkovic;Farhad Merchant;Lennart M. Reimann;Harshit Srivastava;Ahmed Hallawa;R. Leupers
通讯作者：
R. Leupers
通过选择性部分设计提取到嵌入式 FPGA 上对硬件加速器进行功能混淆
DOI：
10.1145/3299874.3317992
发表时间：
2019
期刊：
Proceedings of the 2019 Great Lakes Symposium on VLSI
影响因子：
--
作者：
Bo Hu;Jingxiang Tian;M. Shihab;Gaurav Rajavendra Reddy;W. Swartz;Y. Makris;Benjamin Carrión Schäfer;C. Sechen
通讯作者：
C. Sechen
评估基于 eFPGA 的编辑算法的安全性
DOI：
10.1145/3508352.3549425
发表时间：
2022
期刊：
2022 IEEE/ACM International Conference On Computer Aided Design (ICCAD)
影响因子：
--
作者：
Amin Rezaei;Raheel Afsharmazayejani;Jordan Maynard
通讯作者：
Jordan Maynard
BeSAT：针对循环逻辑加密的基于行为 SAT 的攻击
DOI：
10.1145/3287624.3287670
发表时间：
2019
期刊：
Asia and South Pacific Design Automation Conference
影响因子：
--
作者：
Shen, Yuanqi;Li, You;Rezaei, Amin;Kong, Shuyu;Dlott, David;Zhou, Hai
通讯作者：
Zhou, Hai