딥러닝으로 하드웨어 트로잔 잡는다! : 최근접 이웃 기법과 머신러닝의 만남

본 연구는 머신러닝 기반 방법론을 통해 하드웨어 트로잔(HT) 위치를 효과적으로 식별하는 방법을 제시합니다. 의사결정 트리, 그래프 신경망(GNN)과 최근접 이웃(NN) 기법을 활용한 세 가지 사례 연구를 통해 NN 기법의 우수한 정확도를 확인했으나, 계산 비용 증가라는 한계점도 제시했습니다.

딥러닝으로 하드웨어 트로잔 잡는다! : 최근접 이웃 기법과 머신러닝의 만남

끊임없이 발전하는 반도체 기술 속에서, 하드웨어 트로잔(HT) 탐지는 갈수록 어려워지고 있습니다. 특히 다중 엔티티 기반 설계 사이클에서 악성 논리 게이트를 찾아내는 것은 매우 큰 난관입니다. 하지만 최근 Anindita Chattopadhyay, Siddharth Bisariya, Vijay Kumar Sutrakar 세 연구원이 이 문제에 대한 혁신적인 해결책을 제시했습니다. 그들은 머신러닝 기법을 활용하여 게이트 레벨 순서도에서 악성 논리 게이트를 식별하는 새로운 방법론을 개발했습니다.

세 가지 사례 연구: 각기 다른 머신러닝 모델의 활약

연구팀은 세 가지 다른 사례 연구를 통해 그들의 방법론의 유효성을 검증했습니다. 각 사례는 다른 머신러닝 모델을 사용하여 HT를 분류합니다.

• 사례 I: 의사결정 트리 알고리즘과 주성분 분석(PCA)을 결합하여 노드 간 비교를 수행, 정확도 향상을 달성했습니다. PCA를 통한 차원 축소는 계산 복잡도를 줄이고 효율성을 높였습니다.
• 사례 II: 그래프 신경망(GNN) 모델을 사용한 그래프 간 분류를 통해 정상 회로 설계와 트로잔 감염 회로 설계를 구별했습니다. 여기서 흥미로운 점은 최근접 이웃(NN) 기법과 GNN을 결합한 것입니다. 1차 최근접 이웃(1st NN)은 73.2%의 정확도를, 2차 최근접 이웃(2nd NN)은 놀랍게도 97.7%의 정확도를 달성했습니다. 반면 GNN 모델 자체의 정확도는 62.8%에 그쳤습니다. 이는 NN 기법이 GNN의 성능을 보완하고 향상시킬 수 있음을 보여줍니다.
• 사례 III: GNN 기반 노드 분류를 통해 개별적으로 손상된 노드와 그 위치를 식별했습니다. 마찬가지로, NN 기법과 GNN을 결합했고 1st NN은 93%, 2nd NN은 97.7%의 정확도를 기록했습니다. GNN 단독의 정확도는 79.8%였습니다. 여기서도 NN 기법의 우수성이 드러납니다.

하지만 연구팀은 NN 기법의 높은 정확도에도 불구하고, 이웃의 수가 증가할수록 코드 커버리지가 커져 계산 비용이 증가하는 한계점을 지적했습니다. 즉, 정확도를 높이기 위해서는 더 많은 계산 자원이 필요하다는 의미입니다.

결론: 더욱 안전한 반도체 시스템을 향한 한 걸음

이 연구는 머신러닝과 최근접 이웃 기법을 결합하여 하드웨어 트로잔을 효과적으로 탐지하는 새로운 방법을 제시했습니다. 특히 NN 기법의 높은 정확도는 주목할 만합니다. 하지만 계산 비용 증가라는 한계점을 고려하여, 앞으로는 계산 효율성을 높이는 방향으로 연구가 더욱 발전되어야 할 것입니다. 이 연구는 더욱 안전하고 신뢰할 수 있는 반도체 시스템 구축에 중요한 기여를 할 것으로 기대됩니다.