Fugu-MT 論文翻訳(概要): AdaTest:Reinforcement Learning and Adaptive Sampling for On-chip Hardware Trojan Detection

論文の概要: AdaTest:Reinforcement Learning and Adaptive Sampling for On-chip Hardware Trojan Detection

arxiv url: http://arxiv.org/abs/2204.06117v1
Date: Tue, 12 Apr 2022 23:56:59 GMT
ステータス: 処理完了
システム内更新日: 2022-04-14 13:04:06.977056
Title: AdaTest:Reinforcement Learning and Adaptive Sampling for On-chip Hardware Trojan Detection
Title（参考訳）: AdaTest:オンチップハードウェアトロイの木馬検出のための強化学習と適応サンプリング
Authors: Huili Chen, Xinqiao Zhang, Ke Huang, Farinaz Koushanfar
Abstract要約: AdaTestは、HT(Hardware Trojan)検出のための新しい適応型テストパターン生成フレームワークである。高いトリガーカバレッジを達成するために、AdaTestはReinforcement Learning(RL)を活用して、さまざまなテストインプットを生成する。 AdaTestは、テスト生成のスピードアップを最大2つ、テストセットサイズを前回よりも2つまで削減する。
参考スコア（独自算出の注目度）: 25.593824693347113
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes AdaTest, a novel adaptive test pattern generation framework for efficient and reliable Hardware Trojan (HT) detection. HT is a backdoor attack that tampers with the design of victim integrated circuits (ICs). AdaTest improves the existing HT detection techniques in terms of scalability and accuracy of detecting smaller Trojans in the presence of noise and variations. To achieve high trigger coverage, AdaTest leverages Reinforcement Learning (RL) to produce a diverse set of test inputs. Particularly, we progressively generate test vectors with high reward values in an iterative manner. In each iteration, the test set is evaluated and adaptively expanded as needed. Furthermore, AdaTest integrates adaptive sampling to prioritize test samples that provide more information for HT detection, thus reducing the number of samples while improving the sample quality for faster exploration. We develop AdaTest with a Software/Hardware co-design principle and provide an optimized on-chip architecture solution. AdaTest's architecture minimizes the hardware overhead in two ways:(i) Deploying circuit emulation on programmable hardware to accelerate reward evaluation of the test input; (ii) Pipelining each computation stage in AdaTest by automatically constructing auxiliary circuit for test input generation, reward evaluation, and adaptive sampling. We evaluate AdaTest's performance on various HT benchmarks and compare it with two prior works that use logic testing for HT detection. Experimental results show that AdaTest engenders up to two orders of test generation speedup and two orders of test set size reduction compared to the prior works while achieving the same level or higher Trojan detection rate.
Abstract（参考訳）: 本稿では,HT(Hardware Trojan)検出のための新しい適応型テストパターン生成フレームワークであるAdaTestを提案する。 HTは、被害者集積回路(IC)の設計を妨害するバックドア攻撃である。 AdaTestは、ノイズやバリエーションの存在下でより小さなトロイの木を検知するスケーラビリティと精度の観点から、既存のHT検出技術を改善している。高いトリガーカバレッジを達成するために、AdaTestはReinforcement Learning(RL)を活用して、さまざまなテストインプットを生成する。特に,評価値の高いテストベクトルを漸進的に反復的に生成する。各イテレーションでテストセットを評価し、必要に応じて適応的に拡張する。さらに、AdaTestは適応サンプリングを統合して、HT検出のためのより多くの情報を提供するテストサンプルを優先順位付けする。我々はAdaTestをSoftware/Hardwareの共同設計原則で開発し、最適化されたオンチップアーキテクチャソリューションを提供する。 AdaTestのアーキテクチャは、ハードウェアオーバーヘッドを2つの方法で最小化する。 (i) プログラム可能なハードウェア上に回路エミュレーションを配置し、テスト入力の報酬評価を加速すること。 2AdaTestの各計算段階のパイプライン化は、テスト入力生成、報酬評価、適応サンプリングのための補助回路を自動構築する。各種HTベンチマークでAdaTestの性能を評価し,HT検出に論理テストを用いた2つの先行研究と比較した。実験の結果, adatest engender は, テスト生成速度を最大2桁, テストセットサイズを2桁削減し, 同じレベル以上のトロイの木馬検出率を達成していることがわかった。

関連論文リスト

Towards Automatic Generation of Amplified Regression Test Oracles [44.45138073080198]
回帰テストオラクルを増幅するためのテストオラクル導出手法を提案する。このアプローチはテスト実行中にオブジェクトの状態を監視し、以前のバージョンと比較して、SUTの意図した振る舞いに関連する変更を検出する。
論文参考訳（メタデータ） (2023-07-28T12:38:44Z)
Compress Then Test: Powerful Kernel Testing in Near-linear Time [27.723775378945643]
カーネルの2サンプルテストは、$n$のサンプルポイントに基づいたディストリビューションのペアを識別するための強力なフレームワークを提供する。我々は,サンプル圧縮に基づく高性能カーネルテストのための新しいフレームワークであるCompress Then Test (CTT)を紹介する。 CTTは、各$n$の点サンプルを小さいが証明可能な高忠実度コアセットに圧縮することで、高価な試験を安価に近似する。
論文参考訳（メタデータ） (2023-01-14T21:02:58Z)
E-Valuating Classifier Two-Sample Tests [11.248868528186332]
我々のテストは、既存の作業量分割確率比テストと予測独立性テストのアイデアを組み合わせたものです。得られたE値は、逐次2サンプルテストに適している。
論文参考訳（メタデータ） (2022-10-24T08:18:36Z)
AutoML Two-Sample Test [13.468660785510945]
我々は、目撃者の関数の平均的な相違をテスト統計として捉えた単純なテストを使用し、二乗損失を最小限にすれば、最適なテスト能力を持つ目撃者につながることを証明します。我々はPythonパッケージAutotstでAutoMLの2サンプルテストの実装を提供する。
論文参考訳（メタデータ） (2022-06-17T15:41:07Z)
Hybrid Intelligent Testing in Simulation-Based Verification [0.0]
数百万のテストは、カバレッジの目標を達成するために必要かもしれない。カバレッジ指向のテスト選択は、カバレッジフィードバックからバイアステストまで、最も効果的なテストへと学習する。ノベルティ駆動検証は、以前の刺激とは異なる刺激を識別し、シミュレートすることを学ぶ。
論文参考訳（メタデータ） (2022-05-19T13:22:08Z)
TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
論文参考訳（メタデータ） (2022-05-18T05:43:06Z)
Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
論文参考訳（メタデータ） (2022-04-06T06:39:40Z)
Listen, Adapt, Better WER: Source-free Single-utterance Test-time Adaptation for Automatic Speech Recognition [65.84978547406753]
Test-time Adaptationは、ソースドメインでトレーニングされたモデルに適応して、テストサンプルの予測を改善することを目的としている。単一発話テスト時間適応 (SUTA) は音声領域における最初のTTA研究である。
論文参考訳（メタデータ） (2022-03-27T06:38:39Z)
SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文参考訳（メタデータ） (2020-07-26T12:32:38Z)
Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
論文参考訳（メタデータ） (2020-04-26T23:41:33Z)
Learning Deep Kernels for Non-Parametric Two-Sample Tests [50.92621794426821]
2組のサンプルが同じ分布から引き出されるかどうかを判定するカーネルベースの2サンプルテストのクラスを提案する。私たちのテストは、テストパワーを最大化するためにトレーニングされたディープニューラルネットワークによってパラメータ化されたカーネルから構築されます。
論文参考訳（メタデータ） (2020-02-21T03:54:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。