TrojanForge

TrojanForge: דוגמאות תוקפניות של חומרת טרויאני באמצעות למידת חיזוק

מחבר: [שמך]
תאריך: [תאריך נוכחי]

אבטחת חומרה נשארת אתגר קריטי בשרשראות האספקה המודרניות. ככל שעיצובי מוליכים למחצה יותר ויותר מתבצעים על ידי יצרני צד שלישי, הסיכון להוספת טרויאנים חומרתיים (Hardware Trojans - HT) למעגלים משולבים (ICs) גדל באופן משמעותי. בפוסט זה, נבחן לעומק את TrojanForge—מסגרת המשתמשת בלמידת חיזוק (RL) ליצירת דוגמאות תוקפניות של טרויאני חומרתי המיועדות לבלבל מנגנוני זיהוי. נסקור את מטרות העיצוב, הטכניקות שבבסיס המערכת, ואת תוצאות הניסויים המדגישות את יכולותיה ואת האתגרים שבה. ממדריך למתחילים על HTs ועד לדיונים מתקדמים על אימון תוקפני וגיזום רשימות רשת (netlist pruning), מאמר זה ייקח אותך שלב אחר שלב דרך החידושים הטכנולוגיים של TrojanForge.

תוכן העניינים

1. מבוא
2. רקע ועבודה קודמת
   2.1 כלים להחדרת טרויאנים
   2.2 כלים לגילוי טרויאנים
3. מסגרת TrojanForge
   3.1 גיזום רשת נדירה
    3.1.1 גיזום פונקציונלי
    3.1.2 גיזום מבני
   3.2 אימון תוקפני
   3.3 מקרה מיוחד: מפעילים לא תואמים
4. תוצאות ניסוייות
   4.1 מדד דמיון ג'קרד ותאימות מפעילים
   4.2 החדרת HT ב-TrojanForge
5. סיכום
6. דוגמאות קוד ומקרים מציאותיים
7. מקורות

מבוא

טרויאנים חומרתיים (HTs) מהווים איום ממשי ומתמשך על תעשיית המוליכים למחצה. באופן מסורתי, גילוי ונטרול HTs הוא מרוץ חימוש תמידי בין תוקפים לבין מגנים—כאשר כל צד משתדל להקדים את השני עם טכניקות חדשות. TrojanForge מציע גישה חדשה להחדרת HT תוך שימוש בלמידת חיזוק (RL) בלולאה דמוית GAN (רשת יוצר-מבקר). הסוכן של RL לומד להחדיר HT ל-netlists בצורה כזו שתתחמק ממנגנוני זיהוי מתקדמים.

לב המסגרת הוא באוטומציה ואופטימיזציה של תהליך ההחדרה. היא בוחרת רשתות מפעיל פוטנציאליות, גוזמת אותן בטכניקות פונקציונליות ומבניות, ומשכללת את ההחדרות בעזרת אינטראקציה עם מודלים לגילוי HT. גישה אדפטיבית זו מוכיחה לא רק את חולשתם של מנגנוני גילוי קיימים, אלא גם מרחיבה את הבנתנו לגבי התחבאות של HT.

בהמשך נסקור את הרקע, נבחן כלים קיימים להחדרה וגילוי HT, ונצלול למנגנון הפנימי של TrojanForge.

רקע ועבודה קודמת

כלים להחדרת טרויאנים

במהלך השנים, נעשה שימוש בסטנדרטים כגון TrustHub ליצירת בסיסי נתונים למחקר על HT. עם זאת, קיימים מספר חסרונות:

• היקף וגיוון מוגבל: מספר מועט של מעגלים לדוגמה.
• הטיית מעצב: רוב הטרויאנים הוכנסו ידנית, באופן שעלול לא לשקף שיטות של תוקפים אמיתיים.
• שינויים בעקבות סינתזה: הבדלים בין netlist לפני ואחרי סינתזה עלולים לבטל טרויאנים.

לכן, חוקרים פיתחו כלים אוטומטיים כגון:

• Cruz et al. (2018): כלי יצירת HT אוטומטי הניתן לפרמוט.
• Sarihi et al. (2022): סוכן למידת חיזוק אשר פועל בתוך המעגל ע"פ תגמולים המשויכים להפעלת HT.
• Gohil et al. (2022a): ATTRITION—כלי מבוסס RL המתגמל על סטים תואמים של רשתות מפעיל.

גישה חדשה זו, כפי שמודגם ב-TrojanForge, שואפת לייצר דוגמאות תוקפניות קשות לגילוי.

כלים לגילוי טרויאנים

במקביל, פותחו מגוון טכניקות לזיהוי HT:

• שיטות מבוססות תכונות: חילוץ תכונות מבניות או התנהגותיות והפעלת אלגוריתמי ML לזיהוי חריגות.
• רשתות עצביות גרפיות (GNN): ניתוח מבנה netlist לזיהוי דפוסים הייחודיים ל-HT.
• חקר עמידות תוקפנית: לדוגמה, Nozawa et al. (2021) הציגו כיצד שינוי netlist באמצעות טכניקות תוקפניות מחליש את ביצועי מזהים מבוססי ML.

התרומה של TrojanForge ייחודית בכך שהיא מחברת אימון תוקפני בלולאה—בדומה למבנה GAN—כאשר סוכן ההחדרה לומד לעקוף את הגלאים.

מסגרת TrojanForge

TrojanForge נועדה לייצר דוגמאות טרויאני תוקפניות הקשות לגילוי על ידי גלאים מודרניים. המסגרת כוללת טכניקות מתקדמות כמו גיזום רשתות נדירות, אימון תוקפני, ותמיכה במערכת תגמולים מתוחכמת.

גיזום רשת נדירה

רשת נדירה היא אות שמופעל לעיתים נדירות במהלך פעולת המעגל. היא מועמדת אידאלית לשמש כטריגר ל-HT. עם זאת, לא כל רשת נדירה שימושית. לכן נעשה גיזום דו-שלבי:

גיזום פונקציונלי

בודק האם שינוי הרשת ישפיע על תפקוד המעגל.

• ניתוח רגישות: ניתוח אקטיבציה של הרשת בתנאים רגילים.
• בדיקת הפעלה: אימון סימולציה כדי לבדוק השפעה תפקודית.

דוגמה לקוד Python מוצג במקור, המדגים כיצד לספור הפעלות רשת.

גיזום מבני

בודק האם השימוש ברשת מתאים לטופולוגיה של המעגל:

• ניתוח גרפי: בדיקת קישוריות ומרכזיות.
• בדיקת יתירות: סינון רשתות שיכולות ליצור מבנים שאינם מועילים.

שילוב זה מייצר קבוצת מועמדים איכותית להכנסת HT.

אימון תוקפני

השלב הבא הוא אימון סוכן RL כך שיפעל מול גלאי HT בלולאה מתמשכת:

• איתותי תגמול: סוכן מתוגמל כאשר ה-HT מצליח להתחמק זיהוי.
• שיפור מדיניות: הסוכן משפר את האסטרטגיה לאורך זמן.
• עדכון גלאי: בלולאות מסוימות, גם הגלאי משתפר—דמוי עולם אמיתי.

מקרה מיוחד: מפעילים לא תואמים

ישנן רשתות נדירות שאינן פועלות בו זמנית, מה שהופך אותן לבלתי שמישות כסט טריגר אחיד.

• ניתוח תאימות טריגר: שימוש במדד ג'קרד למדידת חפיפה.
• אסטרטגיות גיבוי: שינוי לקבוצות אחרות המייצרות תגמול טוב תוך שמירה על תפקוד המעגל.

גישה דינמית זו מונעת בזבוז ניסיונות.

תוצאות ניסוייות

כדי לאמוד את TrojanForge, נערכו ניסויים בשלושה מישורים:

מדד דמיון ג'קרד ותאימות מפעילים

מדד ג'קרד מודד חפיפה בין סטים של רשתות.

דוגמה בקוד Python מוצגת לביצוע חישוב פשוט של מדד זה.

תוצאות הראו כי בחירת סטים עם JSI גבוה שיפרה את שיעורי הצלחת ההפעלה של HT.

החדרת HT ב-TrojanForge

במהלך ניסוי במעגלים בפיקוח, הסוכן שינה netlist מול מזהים שונים.

מסקנות עיקריות:

• שיעורי הצלחה גבוהים מאוד: מרבית HT הצליחו להתחמק מגילוי.
• השפעת בחירת מטען: פונקציונלית מול תחכום תוקפני.
• למידה הסתגלותית: הסוכן שינה אסטרטגיה בהתאם לשיפורי הגלאי.

לולאת האימון התוקפנית המודגשת יכולה להועיל או להזיק—תלוי בנקודת המבט.

סיכום

TrojanForge מציגה פרדיגמה חדשה באבטחת חומרה דרך שילוב טכניקות מתקדמות של RL ולמידה תוקפנית.

התרומות העיקריות:

• החדרה אוטומטית: הפחתת הטיית מעצב.
• גיזום פוקציונלי + מבני: שמירה על תפקוד תוך התחמקות.
• לולאת אימון דמויית GAN: שיפור יכולות הסוכן והגלאי.
• ניתוח עומק של מטענים וסטים של מפעילים: עוזר להבין איזון בין פונקציונליות להסתרה.

חשיבות כלים כדוגמת TrojanForge עולה במציאות מורכבת של תעשיית שבבים חכמה ומתפתחת.

דוגמאות קוד ומקרים מציאותיים

סריקת Netlist באמצעות Bash

חיפוש רשתות נדירות:

#!/bin/bash
NETLIST_FILE="my_circuit.v"
grep -oP 'wire\s+\K\w+' "$NETLIST_FILE" | sort | uniq -c | sort -nk1 > net_counts.txt
THRESHOLD=5
echo "רשתות נדירות מועמדות (פחות מ-$THRESHOLD מופעים):"
awk -v thresh="$THRESHOLD" '$1 < thresh {print $2 " מופיע " $1 " פעמים"}' net_counts.txt

עיבוד נתוני רשת ב-Python

קריאה והצגה גרפית של פיזור רשתות:

import matplotlib.pyplot as plt

def load_net_counts(filename):
    nets = {}
    with open(filename, 'r') as file:
        for line in file:
            parts = line.split()
            if len(parts) == 3:
                count, net, _ = parts
                nets[net] = int(count)
    return nets

def plot_net_distribution(nets):
    net_names = list(nets.keys())
    counts = list(nets.values())

    plt.bar(net_names, counts, color='skyblue')
    plt.xlabel('רשתות')
    plt.ylabel('שכיחות')
    plt.title('התפלגות מופעים של רשתות')
    plt.xticks(rotation=90)
    plt.tight_layout()
    plt.show()

בניית סביבות RL להכנסת טרויאנים

סביבת Gym מדומה לפעילות הסוכן מול Netlist:

import gym
from gym import spaces
import numpy as np

class NetlistTrojanEnv(gym.Env):
    def __init__(self, num_nets=10):
        super(NetlistTrojanEnv, self).__init__()
        self.num_nets = num_nets
        self.observation_space = spaces.Box(low=0, high=1, shape=(num_nets,), dtype=np.float32)
        self.action_space = spaces.Discrete(num_nets)
        self.state = np.random.rand(num_nets)

    def step(self, action):
        reward = 0
        self.state[action] = 1.0
        if self.state[action] < 0.5:
            reward = 10
        else:
            reward = -5
        done = np.sum(self.state) > self.num_nets * 0.9
        return self.state, reward, done, {}

    def reset(self):
        self.state = np.random.rand(self.num_nets)
        return self.state

    def render(self, mode='human'):
        print("מצב רשת נוכחי:", self.state)

מקורות

1. TrustHub – סטנדרט טרויאנים לחומרה
   https://www.trust-hub.org/

2. Bhunia & Tehranipoor – אבטחת חומרה
   https://www.springer.com/gp/book/9783319832292

3. Xing et al. (2023) – מודל עסקי fabless
   קישור מלא

4. Krieg – ניתוח HT מ-TrustHub
   קישור

5. Cruz et al. (2018) – כלי יצירת HT אוטומטי
   קישור

6. Sarihi et al. (2022) – RL להכנסת HT
   קישור

7. Nozawa et al. (2021) – דוגמאות תוקפניות לגלאי HT
   קישור

8. Pandit et al. (2011) – שימוש במדד ג’קרד
   קישור

9. Gohil et al. (2022a) – ATTRITION
   קישור

10. Gohil et al. (2024) – AttackGNN
    קישור

מדריך מקיף זה מספק מסגרת רעיונית וכלים מעשיים לחקור ואף לשפר את השיטות להחדרת טרויאנים חומרתיים תוקפניים באמצעות למידת חיזוק. הבנת טכניקות אלה תסייע לחוקרים ולמתכננים לפתח מערכות הגנה מתקדמות בעולם מאוים יותר ויותר של חומרה חכמה.

תכנתו בבטחה, ותכננו חומרה מאובטחת!