TrojanWhisper: LLM을 활용한 하드웨어 트로이 목마 탐지의 혁신


본 연구는 최초로 거대 언어 모델(LLM)을 이용하여 하드웨어 트로이 목마(HT)를 탐지하는 방법을 제시하였으며, GPT-4o와 Gemini 1.5 pro가 우수한 성능을 보였으나, 코드 난독화 등의 방해 기술에 대한 추가 연구가 필요함을 시사합니다.

related iamge

AI가 하드웨어 보안의 미래를 열다: TrojanWhisper 연구 소개

기존의 하드웨어 트로이 목마(HT) 탐지 방법은 확장성, 적용 범위, 참조 칩 필요성, 상태 공간 폭발 등의 한계에 직면해 왔습니다. 하지만 이제, 거대 언어 모델(LLM)이 이러한 문제에 대한 혁신적인 해결책을 제시합니다.

Md Omar Faruque 박사를 비롯한 연구팀이 발표한 논문 "TrojanWhisper: Evaluating Pre-trained LLMs to Detect and Localize Hardware Trojans"는 최초로 일반적인 목적의 LLM을 활용하여 RTL(Register Transfer Level) 디자인에 삽입된 다양한 HT(SRAM, AES, UART 모듈 포함)를 탐지하는 가능성을 탐구했습니다.

연구팀은 GPT-4o, Gemini 1.5 pro, Llama 3.1과 같은 최첨단 LLM을 사전 미세 조정 없이 평가하는 새로운 도구를 개발했습니다. 단순히 LLM의 성능만 평가하는 데 그치지 않고, 변수 이름 난독화 및 디자인 재구조화와 같은 방해 기술을 구현하여 잠재적인 훈련 데이터 편향 문제를 해결하고자 노력했습니다.

그 결과는 놀라웠습니다. GPT-4o와 Gemini 1.5 pro는 기본 시나리오에서 100%의 정밀도와 재현율을 달성, 완벽한 탐지율을 보였습니다. 특히, 두 모델 모두 트리거 라인 적중률(TLC: 0.82-0.98)이 페이로드 라인 적중률(PLC: 0.32-0.46)보다 훨씬 높았다는 점은 주목할 만합니다. 즉, 트로이 목마의 작동을 유발하는 부분을 더 정확하게 찾아낼 수 있음을 의미합니다.

하지만 코드 난독화와 같은 방해 기술이 적용된 상황에서는 모델 성능의 차이가 드러났습니다. Gemini 1.5 pro는 여전히 완벽한 성능(100%/100%)을 유지했지만, GPT-4o(100%/85.7%)와 Llama 3.1(66.7%/85.7%)은 탐지율이 다소 저하되었고, 모든 모델에서 트리거와 페이로드의 위치를 파악하는 정확도가 감소했습니다.

이 연구는 LLM 기반 접근 방식이 하드웨어 보안 응용 분야에 적용될 수 있는 잠재력을 입증했습니다. 물론, 여전히 개선의 여지가 있지만, 이 연구는 AI를 활용한 하드웨어 보안의 새로운 지평을 열었다는 점에서 매우 중요한 의미를 가집니다. 향후 연구를 통해 LLM의 탐지 및 위치 파악 정확도를 더욱 높이고, 다양한 유형의 HT에 대한 적용 범위를 확장한다면, AI 기반 하드웨어 보안 시스템은 더욱 안전하고 신뢰할 수 있게 될 것입니다.


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] TrojanWhisper: Evaluating Pre-trained LLMs to Detect and Localize Hardware Trojans

Published:  (Updated: )

Author: Md Omar Faruque, Peter Jamieson, Ahmad Patooghy, Abdel-Hameed A. Badawy

http://arxiv.org/abs/2412.07636v1