Feb, 2024

寻求者的困境：硬件木马检测的现实制定与基准

PDF
TL;DR通过形式定义 “硬件木马（HT）检测” 的现实问题，本研究旨在推动硬件设计领域的安全研究。通过在图上扩展 Hide&Seek，采用 “追求者困境” 问题描述方法模拟更贴近真实世界的 HT 检测问题。使用这种理论问题形式，创建了一个混合有 HT 和无 HT 的重组电路基准，并使用开发的基准评估三种最先进的 HT 检测工具，展示了该方法的基准结果。通过主成分分析评估基准的强度，在一些重组的 HT 感染电路与无 HT 电路映射接近的情况下，导致检测器的标签错误分类。
hardware designhardware trojan detectionbenchmarkcircuit classificationprincipal component analysis
发现论文，激发创造
  • 基于强化学习的多指标硬件木马检测方法

    该论文提出了一种基于多标准强化学习方法的硬件特洛伊检测工具，能有效地探索现有的检测策略和适应新的检测场景，并且提供了一种公正的比较硬件特洛伊检测方法的方法。该工具在 ISCAS-85 基准测试中成功检测率平均达到了 84.2%。

    Apr, 2023

  • 使用强化学习检测木马

    本文采用强化学习方法，设计了一个能在检测硬件特洛伊时通过最小集合的模式来确保最高测试覆盖率的代理器。实验证明，该代理器在降低测试模式的数量并保持测试覆盖率方面有显著效果。

    Aug, 2022

  • TrojanForge: 利用强化学习的敌对硬件后门示例

    该研究使用机器学习等技术，开发了一种名为 TrojanForge 的工具，用于生成能够击败硬件特洛伊检测器的对抗性例子，展示了对自动硬件特洛伊插入具有 GAN 样式的对抗工具的能力。研究结果表明，该过程可插入能够躲避各种硬件特洛伊检测器的硬件特洛伊，且攻击成功率较高，为我们提供了在防御方面的见解。

    May, 2024

  • 使用强化学习攻击静态硬件木马检测技术

    本文提出了一种新的基于强化学习的攻击框架，称为 ATTRITION，其可以有效地规避目前流行的硬件木马检测技术，展示了其强大的攻击能力，从而揭示了当前检测技术的局限性，并提出了未来研究的方向。

    Aug, 2022

  • 通过对抗电源迹线的逃避式硬件木马

    本文研究硬件安全背景下的机器学习漏洞，主要聚焦在硬件木马、机器学习和侧信道分析，通过设计对抗噪声的方法来绕过机器学习侧信道分析，并提供开放的资源和设计。

    Jan, 2024

  • 使用强化学习实现硬件木马注入

    本文利用强化学习 (Reinforcement Learning，RL) 自动化硬件特洛伊（Hardware Trojan, HT）嵌入过程，以消除制约 HT 检测方法成果的人为偏见。作者开发的工具集可以将组合 HT 插入 ISCAS-85 基准套件，具备 HT 大 小和触发条件的变化性，并证明了其效果高，输入覆盖率高达 100％，所插入的 HT 具有最小的体积和罕有的激活概率。

    Apr, 2022

  • AdaTest：基于强化学习与自适应采样的芯片硬件木马检测

    该论文提出了 AdaTest，一种适用于高效和可靠的硬件特洛伊检测的自适应测试模式生成框架，其中使用强化学习算法生成测试向量并通过电路仿真优化硬件开销。实验结果表明，AdaTest 相较现有技术在测试性能上可获得高达两个数量级的提高，并在更小的测试集大小下取得了更高的特洛伊检测率。

    Apr, 2022

  • 多模态深度学习方法的不确定性感知硬件木马检测

    硬件特洛伊木马的检测方法研究中，使用了多模态深度学习和不确定性量化度量来提高准确性和应对硬件安全挑战。

    Jan, 2024

  • 基于图卷积网络的黄金无参考硬件特洛伊定位

    提出了一种基于 Graph Convolutional Network（GCN）的新型、无需 golden reference 的、预硅阶段硬件木马本地化方法，自动提取电路设计的节点特征进行分类，准确率达到 99.6％，F1 得分为 93.1％，假阳性率低于 0.009％。

    Jul, 2022

  • 大型语言模型中的特洛伊木马检测：来自特洛伊木马检测挑战的见解

    大语言模型（LLMs）在各个领域展示出了显著的能力，但它们对木马或后门攻击的脆弱性带来了重大的安全风险。本研究探讨了通过特洛伊检测竞赛 2023（TDC2023）获得的挑战和见解，该竞赛的重点是识别和评估对 LLMs 的特洛伊攻击。我们研究了区分有意和无意触发器之间的困难，以及在实际情况中逆向工程特洛伊的可行性。我们对各种特洛伊检测方法进行了比较分析，发现实现高召回率比获得高逆向工程攻击成功率（REASR）更具挑战性。竞赛中表现最佳的方法实现了约 0.16 的召回率，与从与训练前缀类似的分布中随机抽取句子的简单基线相当。这一发现提出了关于仅给定有害目标的情况下模型中插入的特洛伊的可检测性和恢复性的问题。尽管无法完全解决问题，但该竞赛揭示了关于特洛伊检测的可行性和改进 LLM 输入提示技术的有趣观察。无意触发器的现象及其与有意触发器的区分困难突显了对 LLMs 的鲁棒性和可解释性进行进一步研究的需求。TDC2023 对于特洛伊检测在 LLMs 中的挑战和机遇提供了宝贵的见解，为今后在这一领域确保其在实际应用中的安全性和可靠性奠定了基础。

    Apr, 2024