論文の概要: Demystifying Gate-Level Localization of RTL Trojans

• arxiv url: http://arxiv.org/abs/2609.17922v1
• Date: Tue, 15 Sep 2026 23:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.572863
• Title: Demystifying Gate-Level Localization of RTL Trojans
• Title（参考訳）: RTLトロイの木馬のゲートレベル位置決定
• Abstract要約: ハードウェアトロイの木馬は、機能を侵害したり機密データを漏らしたりする悪意のある修正である。 近年の取り組みは、ラベル付きネットリスト上での機械学習(ML)によるゴールデンチップフリー検出を強調している。 RTLトロイの木は, 合成後, 安定な構造および信号流パターンを示す。 提案するLoRDは,競合テストケースのほぼ完全な検出とローカライゼーションを実現する軽量なアプローチである。
• 参考スコア（独自算出の注目度）: 0.07646713951724009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hardware Trojans are malicious modifications that compromise functionality or leak sensitive data. They pose a severe threat, particularly when inserted at the Register Transfer Level (RTL). After synthesis, these Trojans are often concealed by optimizations in gate-level netlists. Recent efforts, including the ICCAD 2025 contest, emphasize golden-chip-free detection using machine learning (ML) on labeled netlists. In this work, we show that RTL Trojans exhibit stable structural and signal-flow patterns post-synthesis, enabling effective detection through targeted heuristics rather than generic ML feature learning. We propose LoRD, a lightweight heuristic-based approach that exploits these distinctive subgraph signatures, achieving near-perfect detection and localization on the contest testcases. Com- pared to a transformer-based ML baseline and top five teams, LoRD achieves on-average a score of 2.957 (out of 3) for Trojan- implanted designs without the data and tuning overhead.
• Abstract（参考訳）: ハードウェアトロイの木馬は、機能を侵害したり機密データを漏らしたりする悪意のある修正である。 これらは特にレジスタ転送レベル(RTL)に挿入された場合、深刻な脅威となる。 合成後、これらのトロイの木はゲートレベルのネットリストの最適化によって隠蔽されることが多い。 ICCAD 2025コンテストを含む最近の取り組みは、ラベル付きネットリスト上で機械学習(ML)を用いたゴールデンチップフリー検出を強調している。 本研究では,RTLトロイの木馬が合成後の安定な構造および信号フローパターンを示すことを示し,汎用ML特徴学習ではなく,対象ヒューリスティックスによる効果的な検出を可能にする。 本稿では,これらの特徴的部分グラフシグネチャを利用した軽量ヒューリスティックなアプローチであるLoRDを提案する。 トランスフォーマーベースのMLベースラインとトップ5チームに合わせたLoRDは、データやチューニングのオーバーヘッドを伴わずに、トロイの木組みデザインのスコアを平均2.957点(3点中3点中)で達成した。

関連論文リスト

• TrojanLoC: LLM-based Framework for RTL Trojan Localization [21.307137501125506]
  ハードウェアトロイの木馬(HT s)は集積回路にとって永続的な脅威である。 RTLレベルのHTローカライゼーションのためのRTLファインタリングフレームワークであるTrojanLoCを提案する。 TrojanLoCは強いモジュールレベルのパフォーマンスを実現し、トロイア検出では0.99F1スコア、ベースラインより最大0.68高、トロイア型分類では0.84マクロF1に達した。
  論文  参考訳（メタデータ） (2025-11-29T18:45:00Z)
• TrojanTO: Action-Level Backdoor Attacks against Trajectory Optimization Models [67.06525001375722]
  TrojanTOはTOモデルに対する最初のアクションレベルのバックドア攻撃である。 様々なタスクにバックドア攻撃を移植し、低い攻撃予算で目標を攻撃する。 TrojanTOはDT、GDT、DCに広く適用可能である。
  論文  参考訳（メタデータ） (2025-06-15T11:27:49Z)
• SPICED: Syntactical Bug and Trojan Pattern Identification in A/MS Circuits using LLM-Enhanced Detection [3.048384587446267]
  多くのIC企業は製造をサードパーティのファウンデーションにアウトソースし、ステルスのアナログトロイの木馬のようなセキュリティリスクを生み出している。 回路の透かしを埋め込んだり、ハードウェアベースの監視を行うといった従来の検出方法は、しばしばかなりの面積と電力のオーバーヘッドを課す。 本研究では,ソフトウェア領域内で動作するフレームワークであるSPICEDを提案する。
  論文  参考訳（メタデータ） (2024-08-25T17:07:08Z)
• Design for Assurance: Employing Functional Verification Tools for Thwarting Hardware Trojan Threat in 3PIPs [13.216074408064117]
  サードパーティの知的財産コアは、現代のシステムオンチップと集積回路の設計において必須の構成要素である。 これらの設計コンポーネントは通常、異なる信頼レベルを持つベンダーから来ており、文書化されていない設計機能を含んでいる可能性がある。 ハードウェア設計者になじみのある機能検証ツールや言語を用いて,ハードウェアトロイの木馬の識別と防止を行う手法を開発した。
  論文  参考訳（メタデータ） (2023-11-21T03:32:07Z)
• TroLL: Exploiting Structural Similarities between Logic Locking and Hardware Trojans [4.09675763028423]
  多くの論理ロック技術に共通する構造は、ハードウェアトロイの木馬(HWT)の望ましい特性を持っている。 そこで我々は, Logic Locking (TroLL) に基づく新しいタイプのHWTを構築し, 最先端のATPGベースのHWT検出技術を回避する。
  論文  参考訳（メタデータ） (2023-09-26T16:55:42Z)
• Quarantine: Sparsity Can Uncover the Trojan Attack Trigger for Free [126.15842954405929]
  トロイの木馬攻撃はディープニューラルネットワーク(DNN)を脅かし、ほとんどのサンプルで正常に動作させるが、トリガーを付けた入力に対して操作された結果を生成する。 そこで我々は,まず,クリーンな入力において,ほぼ完全なトロイの木馬の情報のみを保存し,かつ,すでに孤立しているサブネットワークに埋め込まれたトリガを復元する,新しいトロイの木馬ネットワーク検出方式を提案する。
  論文  参考訳（メタデータ） (2022-05-24T06:33:31Z)
• Practical Detection of Trojan Neural Networks: Data-Limited and Data-Free Cases [87.69818690239627]
  本稿では,データスカース方式におけるトロイの木馬ネットワーク(トロイの木馬網)検出の問題点について検討する。 本稿では,データ限定型TrojanNet検出器(TND)を提案する。 さらに,データサンプルにアクセスせずにTrojanNetを検出できるデータフリーTNDを提案する。
  論文  参考訳（メタデータ） (2020-07-31T02:00:38Z)
• Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
  多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。 本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。 本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
  論文  参考訳（メタデータ） (2020-07-28T19:00:40Z)
• Odyssey: Creation, Analysis and Detection of Trojan Models [91.13959405645959]
  トロイの木馬攻撃は、一部のトレーニングサンプルにトリガーを挿入してトレーニングパイプラインを妨害し、トリガーを含むサンプルに対してのみ悪意ある動作をするようにモデルを訓練する。 既存のトロイの木馬検出器はトリガーの種類や攻撃について強い仮定をしている。 そこで本研究では,トロヤニング過程の影響を受け,本質的特性の分析に基づく検出器を提案する。
  論文  参考訳（メタデータ） (2020-07-16T06:55:00Z)
• Scalable Backdoor Detection in Neural Networks [61.39635364047679]
  ディープラーニングモデルは、トロイの木馬攻撃に対して脆弱で、攻撃者はトレーニング中にバックドアをインストールして、結果のモデルが小さなトリガーパッチで汚染されたサンプルを誤識別させる。 本稿では,ラベル数と計算複雑性が一致しない新たなトリガリバースエンジニアリング手法を提案する。 実験では,提案手法が純モデルからトロイの木馬モデルを分離する際の完全なスコアを達成できることが観察された。
  論文  参考訳（メタデータ） (2020-06-10T04:12:53Z)

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。