DOI: https://doi.org/10.1186/s42400-025-00542-7
تاريخ النشر: 2026-01-23
المؤلف: Sefatun-Noor Puspa وآخرون
الموضوع الرئيسي: وظائف غير قابلة للاستنساخ (PUFs) وأمن الأجهزة
نظرة عامة
تقدم ورقة البحث إطار عمل جديد لاكتشاف الطروادة العتادية في الدوائر المتكاملة (ICs) باستخدام مزيج من تحليل الطاقة القائم على القنوات الجانبية والذكاء الاصطناعي (AI). تشكل الطروادة العتادية، التي هي زراعة خبيثة خفية، مخاطر كبيرة على الأنظمة السيبرانية الفيزيائية حيث يمكن أن تظل خاملة حتى يتم تنشيطها، مما يجعل طرق التحقق التقليدية غير كافية. يقترح المؤلفون استراتيجية استخراج ميزات ثنائية المجال تدمج الخصائص الزمنية والترددية لآثار الطاقة. لقد طوروا إطار كشف قوي يستخدم مصنف تجميعي متراص، يجمع بين نماذج التعلم الآلي التقليدية (مثل الغابة العشوائية، وتعزيز التدرج) مع نماذج التعلم العميق (مثل الذاكرة الطويلة القصيرة، والشبكة العصبية الرسومية). أظهر هذا النهج التجميعي أداءً متفوقًا، حيث حقق منطقة متوسطة تحت منحنى التشغيل الخاص بالمستقبل (AUC) تبلغ 0.987 على معيار الطروادة AES، دون الاعتماد على دوائر IC مرجعية موثوقة.
تسلط الدراسة الضوء على فعالية إطار العمل التجميعي، خاصة في اكتشاف الطروادة ذات التسرب المنخفض، حيث تكافح المصنفات التقليدية. يحافظ الإطار على دقة عالية حتى مع بيانات محدودة معنونة، مما يدل على قوته وقدرته على التكيف. ومع ذلك، يعترف المؤلفون بالقيود، بما في ذلك الاعتماد على آثار الطاقة المعنونة وغياب الدعم للكشف في الوقت الحقيقي. ستركز الأعمال المستقبلية على تطوير طرق شبه مشرفة وغير مشرفة، ونسخ تجميعية خفيفة الوزن للتطبيقات في الوقت الحقيقي، وتقنيات استخراج الميزات الآلية لتعزيز القابلية للتوسع. بالإضافة إلى ذلك، يُقترح دمج تقنيات البلوكشين لأمان سلسلة التوريد كمسار محتمل للبحث المستقبلي. بشكل عام، تسهم هذه الأعمال في تعزيز مرونة الأنظمة السيبرانية الفيزيائية ضد التهديدات العتادية المتطورة من خلال إطار كشف معزز بالذكاء الاصطناعي.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للدوائر المتكاملة (ICs) في الأنظمة السيبرانية الفيزيائية الحديثة، مع تسليط الضوء على تطبيقاتها في قطاعات السيارات والرعاية الصحية والدفاع. نظرًا لاستخدامها الواسع، فإن سلامة وأمان الدوائر المتكاملة أمران في غاية الأهمية، خاصة في ضوء الثغرات المتعلقة بالتهديدات العتادية مثل الطروادة العتادية. هذه الطروادة هي تعديلات سرية تُدخل خلال مراحل التصميم أو التصنيع، وقادرة على البقاء خاملة حتى يتم تنشيطها بواسطة ظروف معينة، مما يؤدي إلى خروقات أمنية خطيرة. إن اكتشاف مثل هذه الطروادة معقد بسبب تأثيرها الدقيق على وظيفة الدوائر المتكاملة والتغيرات الطفيفة في استهلاك الطاقة، والتي غالبًا ما يتم إخفاؤها بواسطة ضوضاء التصميم وتباين العمليات.
لمعالجة هذه التحديات، تقترح الدراسة إطار ذكاء اصطناعي موحد لاكتشاف الطروادة العتادية، مع تقييم ستة نماذج تعلم مشرف، بما في ذلك مصنفات التعلم الآلي التقليدية ونماذج التعلم العميق. تستخدم النماذج خط أنابيب لاستخراج الميزات ثنائية المجال التي تدمج الخصائص الزمنية والترددية المستمدة من آثار الطاقة القائمة على القنوات الجانبية. تعزز هذه التمثيلات الشاملة للميزات قدرة النماذج على اكتشاف التغيرات السلوكية الدقيقة المرتبطة بنشاط الطروادة. تُظهر الأبحاث أن الجمع بين هذه الميزات، إلى جانب استراتيجية تجميع متراص، يحسن بشكل كبير من دقة الكشف مقارنة بالنماذج الفردية. يتم التحقق من الإطار باستخدام معيار الطروادة AES، مما يبرز فعاليته عبر أنواع مختلفة من الطروادة. توضح الورقة هيكلها، مع تفاصيل الأقسام التالية التي تستعرض الأعمال ذات الصلة، وتقدم إطار الكشف، وتلخص إعدادات التجارب، وتناقش النتائج الرئيسية.
طرق
في التطورات الأخيرة في اكتشاف الطروادة العتادية، تم استخدام منهجيات التعلم الآلي (ML) والتعلم العميق (DL) لتحليل إشارات القنوات الجانبية. استخدم بهاتا وأم saad (2020) نماذج ML التقليدية، بما في ذلك آلات الدعم الناقل (SVMs)، وأشجار القرار، والشبكات العصبية، لتقييم إشارات الطاقة والإشعاع الكهرومغناطيسي (EM) من معايير الطروادة العتادية، مع التركيز بشكل خاص على دوائر AES وRS232 في حالات مختلفة (معطلة الطروادة، مفعلة، ومفعلّة). أدت خط أنابيب استخراج الميزات الشامل الخاص بهم، الذي دمج مجالات الزمن والتردد والموجات، إلى دقة كشف تتجاوز 90% عبر حالات الطروادة المختلفة.
في دراسة مكملة، اقترح نصر وآخرون (2022) بنية تعلم عميق سيامية لاكتشاف الطروادة، مستفيدين من مجموعة بيانات تضم 60,000 أثر EM. أظهرت تقييماتهم للطروادة الرقمية المتسلسلة أن شبكة الذاكرة الطويلة القصيرة (LSTM) السيامية حققت دقة تبلغ 86.78%، متجاوزة أداء وحدات الذاكرة المتكررة السيامية (GRU) عند 83.59% والشبكات العصبية الالتفافية السيامية (CNN) عند 73.54%. بشكل جماعي، تسلط هذه النتائج الضوء على فعالية تقنيات الكشف القائمة على القنوات الجانبية باستخدام ML وDL، والتي تعمل بشكل مستقل عن الشرائح الذهبية.
نتائج
في هذا القسم، تقدم الدراسة نتائج تقييم نماذج التعلم الآلي والتعلم العميق المختلفة لاكتشاف الطروادة العتادية، مع تحليل ست دوائر طروادة من معيار AES: T500، T600، T700، T800، T1300، وT1600. تم تقييم النماذج باستخدام مجموعة ميزات ثنائية المجال وخط أنابيب بيانات متسق، مما يضمن مقارنة عادلة. كشفت التقييمات الأولية للنماذج التقليدية، بما في ذلك الغابة العشوائية (RF)، وتعزيز التدرج (GB)، ونايف بايز (NB)، عن قيود في اكتشاف الطروادة الأكثر خفاءً، مما دفع إلى إدخال نماذج أكثر تقدمًا مثل شبكات الذاكرة الطويلة القصيرة (LSTM) والشبكات العصبية الرسومية (GNN).
أشارت النتائج إلى أنه بينما كانت النماذج التقليدية تؤدي بشكل كافٍ مع تشتت ميزات واضح بين حالات الطروادة المعطلة والمفعلة، انخفضت دقتها بشكل كبير بالنسبة للطروادة المعقدة مثل T600 وT1600. تفوقت نموذج LSTM، القادر على التقاط الاعتماديات التسلسلية، على المصنفات التقليدية في هذه الحالات الصعبة. على الرغم من أن GNN لم تحقق دقة عالية على T600 (63%) وT1600 (66.1%)، إلا أنها لا تزال تفوقت على RF وNB، خاصة مع دوائر مثل T1300. مع الاعتراف بتباين أداء النموذج عبر أنواع الطروادة المختلفة، استخدمت الدراسة استراتيجية تجميع متراص دمجت مخرجات عدة مصنفات، بما في ذلك LSTM وGNN، ودربت مصنف انحدار لوجستي. أسفر هذا النهج التجميعي عن أعلى دقة عامة، خاصة بالنسبة للطروادة الأكثر صعوبة، مما يظهر فعالية دمج سلوكيات نماذج متنوعة لاستراتيجيات الكشف القابلة للتكيف في اكتشاف الطروادة القائم على الطاقة.
مناقشة
يتناول قسم المناقشة في ورقة البحث إدخال واكتشاف الطروادة العتادية (HTs) داخل الدوائر المتكاملة (ICs). يبرز أن HTs يمكن إدخالها خلال كل من مراحل ما قبل التصنيع والتصنيع لدورة حياة IC، غالبًا من خلال نوى الملكية الفكرية (IP) من طرف ثالث أو تحسين تخطيط ضعيف، خاصة في المصانع الخارجية. يؤكد القسم على الحاجة الملحة لتقنيات الكشف غير الغازية، حيث أن إزالة HTs بعد التصنيع تكاد تكون مستحيلة. يتم استعراض طرق الكشف المختلفة، بما في ذلك الاختبار الوظيفي، واختبار المنطق، والتحقق الرسمي، وتحليل القنوات الجانبية، كل منها له نقاط قوته وحدوده. يدعو المؤلفون إلى استخدام طرق غير غازية، خاصة تحليل الطاقة القائم على القنوات الجانبية، الذي يمكن أن يحدد الانحرافات في استهلاك الطاقة المرتبطة بنشاط HT.
علاوة على ذلك، تستكشف الورقة تطبيق الذكاء الاصطناعي (AI) في تعزيز اكتشاف HT. تستعرض الأساليب التقليدية للتعلم الآلي، مثل الغابات العشوائية وآلات تعزيز التدرج، جنبًا إلى جنب مع تقنيات متقدمة مثل نماذج التعلم العميق (مثل الشبكات العصبية متعددة الطبقات، والشبكات العصبية الالتفافية، وشبكات الذاكرة الطويلة القصيرة). يقترح المؤلفون إطار كشف هجين يدمج نماذج متعددة ويستخدم نهج تجميع متراص لتحسين دقة الكشف. تم تصميم هذا الإطار للعمل في سياق التحقق قبل السيليكون، معتمدًا فقط على آثار الطاقة القابلة للملاحظة لاكتشاف الشذوذ المرتبطة بـ HT، مما يقلل من المخاطر والتكاليف المرتبطة بتصنيع IC. تختتم المناقشة بالتأكيد على ضرورة إجراء تحليلات مقارنة منهجية لطرق الكشف لتحسين وتعزيز قوة استراتيجيات اكتشاف HT.
DOI: https://doi.org/10.1186/s42400-025-00542-7
Publication Date: 2026-01-23
Author(s): Sefatun-Noor Puspa et al.
Primary Topic: Physical Unclonable Functions (PUFs) and Hardware Security
Overview
The research paper presents a novel framework for detecting hardware Trojans in integrated circuits (ICs) using a combination of side-channel power analysis and artificial intelligence (AI). Hardware Trojans, which are stealthy malicious implants, pose significant risks to cyber-physical systems as they can remain dormant until activated, making traditional validation methods inadequate. The authors propose a dual-domain feature extraction strategy that integrates time-domain and frequency-domain characteristics of power traces. They developed a robust detection framework that employs a stacked ensemble classifier, combining traditional machine learning models (e.g., random forest, gradient boosting) with deep learning models (e.g., long short-term memory, graph neural network). This ensemble approach demonstrated superior performance, achieving a macro-averaged area under the receiver operating characteristic curve (AUC) of 0.987 on the advanced encryption standard (AES)-Trojan benchmark, without relying on trusted reference ICs.
The study highlights the effectiveness of the ensemble framework, particularly in detecting low-amplitude leakage Trojans, where traditional classifiers struggle. The framework maintains high accuracy even with limited labeled data, indicating its robustness and adaptability. However, the authors acknowledge limitations, including the reliance on labeled power traces and the lack of support for real-time detection. Future work will focus on developing semi-supervised and unsupervised methods, lightweight ensemble variants for real-time applications, and automated feature extraction techniques to enhance scalability. Additionally, the integration of blockchain technologies for supply chain security is suggested as a potential avenue for future research. Overall, this work contributes to advancing the resilience of cyber-physical systems against evolving hardware threats through a modular and AI-enhanced detection framework.
Introduction
The introduction of the research paper emphasizes the critical role of integrated circuits (ICs) in modern cyber-physical systems, highlighting their applications in automotive, healthcare, and defense sectors. Given their extensive use, the integrity and security of ICs are paramount, particularly in light of vulnerabilities to hardware-based threats such as hardware Trojans. These Trojans are covert modifications introduced during the design or manufacturing phases, capable of remaining dormant until activated by specific conditions, leading to severe security breaches. The detection of such Trojans is complicated by their subtle impact on IC functionality and minimal alterations in power consumption, which are often obscured by design noise and process variability.
To address these challenges, the study proposes a unified artificial intelligence (AI) framework for hardware Trojan detection, evaluating six supervised learning models, including traditional machine learning classifiers and deep learning approaches. The models utilize a dual-domain feature extraction pipeline that integrates time-domain and frequency-domain characteristics derived from side-channel power traces. This comprehensive feature representation enhances the models’ ability to detect nuanced behavioral changes associated with Trojan activity. The research demonstrates that the combination of these features, along with a stacked ensemble strategy, significantly improves detection accuracy compared to individual models. The framework is validated using the advanced encryption standard (AES)-Trojan benchmark, showcasing its effectiveness across various Trojan variants. The paper outlines its structure, detailing subsequent sections that review related work, present the detection framework, summarize experimental setups, and discuss key findings.
Methods
In recent advancements in hardware Trojan detection, machine learning (ML) and deep learning (DL) methodologies have been employed to analyze side-channel signals. Bhatta and Amsaad (2020) utilized classical ML models, including Support Vector Machines (SVMs), decision trees, and neural networks, to assess power and electromagnetic (EM) side-channel signals from hardware Trojan benchmarks, specifically focusing on AES and RS232 circuits in various states (Trojan-disabled, enabled, and triggered). Their comprehensive feature extraction pipeline, which incorporated time, frequency, and wavelet domains, yielded detection accuracies exceeding 90% across different Trojan instances.
In a complementary study, Nasr et al. (2022) proposed a Siamese deep learning architecture for Trojan detection, leveraging a dataset of 60,000 EM traces. Their evaluation of digital sequential Trojans demonstrated that a Siamese Long Short-Term Memory (LSTM) network achieved an accuracy of 86.78%, surpassing the performance of Siamese Gated Recurrent Units (GRU) at 83.59% and Siamese Convolutional Neural Networks (CNN) at 73.54%. Collectively, these findings highlight the effectiveness of side-channel-based ML and DL detection techniques, which operate independently of golden chips.
Results
In this section, the research presents the evaluation outcomes of various machine learning and deep learning models for hardware Trojan detection, specifically analyzing six Trojan circuits from the AES benchmark: T500, T600, T700, T800, T1300, and T1600. The models were assessed using a consistent dual-domain feature set and data pipeline, ensuring a fair comparison. Initial evaluations of traditional models, including Random Forest (RF), Gradient Boosting (GB), and Naive Bayes (NB), revealed limitations in detecting stealthier Trojans, prompting the introduction of more advanced models such as Long Short-Term Memory (LSTM) networks and Graph Neural Networks (GNN).
The results indicated that while traditional models performed adequately with clear feature dispersion between Trojan-disabled and Trojan-triggered states, their accuracy significantly declined for complex Trojans like T600 and T1600. The LSTM model, capable of capturing sequential dependencies, outperformed traditional classifiers in these challenging cases. Although the GNN did not achieve high accuracy on T600 (63%) and T1600 (66.1%), it still surpassed RF and NB, particularly excelling with circuits like T1300. Recognizing the variability in model performance across different Trojan types, the study employed a stacking ensemble strategy that integrated the outputs of multiple classifiers, including LSTM and GNN, and trained a logistic regression meta-classifier. This ensemble approach yielded the highest overall accuracy, especially for the more difficult Trojans, demonstrating the effectiveness of combining diverse model behaviors for adaptable detection strategies in power-based Trojan detection.
Discussion
The discussion section of the research paper addresses the insertion and detection of Hardware Trojans (HTs) within integrated circuits (ICs). It highlights that HTs can be introduced during both the prefabrication and fabrication phases of the IC lifecycle, often through third-party intellectual property (IP) cores or poor layout optimization, particularly in offshore foundries. The section emphasizes the critical need for non-invasive detection techniques, as post-fabrication removal of HTs is nearly impossible. Various detection methods are reviewed, including functional testing, logic testing, formal verification, and side-channel analysis, each with its strengths and limitations. The authors advocate for non-invasive methods, particularly side-channel power analysis, which can identify deviations in power consumption linked to HT activity.
Furthermore, the paper explores the application of artificial intelligence (AI) in enhancing HT detection. It reviews traditional machine learning approaches, such as Random Forests and Gradient Boosting Machines, alongside advanced techniques like deep learning models (e.g., Multi-Layer Perceptrons, Convolutional Neural Networks, and Long Short-Term Memory networks). The authors propose a hybrid detection framework that integrates multiple models and employs a stacking ensemble approach to improve detection accuracy. This framework is designed to operate in a pre-silicon verification context, relying solely on observable power traces to detect anomalies associated with HTs, thus minimizing risks and costs associated with IC fabrication. The discussion concludes by underscoring the necessity for systematic comparative analyses of detection methods to refine and enhance the robustness of HT detection strategies.