論文の概要: CITADEL: CWE-Guided Insertion of Hardware Trojans via Analysis of DFG-Enabled LLMs

• arxiv url: http://arxiv.org/abs/2610.02544v1
• Date: Thu, 01 Oct 2026 22:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.111973
• Title: CITADEL: CWE-Guided Insertion of Hardware Trojans via Analysis of DFG-Enabled LLMs
• Title（参考訳）: CITADEL:DFG対応LCMの解析によるハードウェアトロイの木馬のCWEガイド導入
• Abstract要約: ハードウェアトロイの木馬(HT)とシステムレベルの脆弱性は、現代の集積回路に重大なリスクをもたらす。 本稿では,大規模言語モデル (LLMs) とデータフローグラフ (DFGs) を活用して,CWE-grounded HT 合成を自動化するフレームワーク CITADEL を紹介する。 このフレームワークは、極小、合成可能、および超希少トリガによるインターフェイス保存HTを生成する。
• 参考スコア（独自算出の注目度）: 4.866082267718595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing sophistication of Hardware Trojans (HTs) and system-level vulnerabilities poses significant risks to modern integrated circuits. However, constructing realistic HT scenarios, remains a substantial burden: researchers must manually analyze complex RTL structures, identify plausible weaknesses, and craft stealthy, synthesizable insertions that preserve functional correctness. This paper introduces CITADEL CWE-Guided Insertion of Trojans via Analysis of DFG-Enabled LLMs, a framework that leverages Large Language Models (LLMs) and Data Flow Graphs (DFGs) to automate CWE-grounded HT synthesis. CITADEL uses structured CWE semantics together with DFG-derived structural context to assist the user in identifying relevant vulnerabilities, localize the module surrounding the chosen insertion point, and perform intent-conditioned RTL modification. The framework produces minimal, synthesizable, and interface-preserving HTs with ultra-rare triggers. Experimental evaluation across diverse RTL designs demonstrates that all generated HTs are 100% syntactically correct, remain undetectable under large-scale random simulation, and are functionally triggerable under their intended activation conditions. These results highlight CITADEL as a scalable and principled method for generating realistic HT benchmarks.
• Abstract（参考訳）: ハードウェアトロイの木馬(HT)とシステムレベルの脆弱性の高度化は、現代の集積回路に重大なリスクをもたらす。 研究者は複雑なRTL構造を手動で分析し、可視的な弱点を特定し、機能的正しさを維持するためのステルス、合成可能な挿入を作らなければならない。 本稿では,大規模言語モデル (LLMs) とデータフローグラフ (DFGs) を活用するフレームワークである DFG-Enabled LLMs の解析を通じて,CWE-grounded HT 合成を自動化する CITADEL CWE-Guided Insertion of Trojans を紹介する。 CITADELは構造的CWEセマンティクスとDFG由来の構造的コンテキストを使用して、ユーザが関連する脆弱性を特定し、選択された挿入ポイントを囲むモジュールをローカライズし、意図条件付きRTL修正を行う。 このフレームワークは、極小、合成可能、および超希少トリガによるインターフェイス保存HTを生成する。 多様なRTL設計の実験的評価により、生成したHTは100%構文的に正しく、大規模なランダムシミュレーションでは検出不能であり、意図した活性化条件下では機能的にトリガー可能であることが示された。 これらの結果は、CITADELを現実的なHTベンチマークを生成するためのスケーラブルで原則化された方法として強調する。

関連論文リスト

• The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis [50.473217152006875]
  MIMICは、データ合成を推論するための厳密な媒体として実行可能なコードを活用するフレームワークである。 MIMICは、ナラティブ融合、コード誘導テスト合成、動的コードインスツルメンテーションを通じて、アルゴリズムを検証可能な推論軌道に変換する。 提案手法は, 一般的な推論, 複雑な数学的ベンチマーク, きめ細かい決定論的タスクにおいて, 精度を著しく向上させる。
  論文  参考訳（メタデータ） (2026-09-13T17:04:16Z)
• CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
  CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。 最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。 提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
  論文  参考訳（メタデータ） (2026-03-06T15:11:58Z)
• RooflineBench: A Benchmarking Framework for On-Device LLMs via Roofline Analysis [53.90240071275054]
  SLM(Small Language Models)によるローカライズドインテリジェンスへの移行により、リソース制約のあるエッジハードウェア上での厳密なパフォーマンス評価の必要性が高まっている。 運用強度レンズ(OI)によるアーキテクチャプリミティブとハードウェア制約を統一する体系的フレームワークを提案する。 推論-ポテンシャル領域を定義することにより、同一ハードウェア基板上のLarge Language Models(LLM)の効率差を比較するための新しい指標として、相対推論ポテンシャルを導入する。
  論文  参考訳（メタデータ） (2026-02-12T03:02:22Z)
• Automated Hardware Trojan Insertion in Industrial-Scale Designs [1.1772291323400081]
  この研究は、業界規模のネットリストでHTライクなパターンを生成する自動化されたスケーラブルな方法論を提示している。 パイプラインは大きなゲートレベルの設計を接続グラフに解析し、SCOAPテスト容易性メトリクスを使用して稀な領域を探索する。 この研究で生成されたベンチマークで評価すると、最先端のグラフ学習モデルはトロイの木を検出できない。
  論文  参考訳（メタデータ） (2025-11-11T19:08:31Z)
• Structural Enforcement of Statistical Rigor in AI-Driven Discovery: A Functional Architecture [5.076419064097734]
  自動研究システム(AI-サイエンティフィック)における統計厳密化のための機能的アーキテクチャを提案する。 我々は、シーケンシャルな統計プロトコルを強制するHaskell eDeclarative ControlであるResearch monadを紹介する。 大規模シミュレーションとエンドツーエンドケーススタディにより,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-11-10T04:42:30Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• SENTAUR: Security EnhaNced Trojan Assessment Using LLMs Against Undesirable Revisions [17.21926121783922]
  ハードウェアトロイジャン(HT)は、ステルスな動作の導入、意図したIC作業の防止、またはサイドチャネルを介して機密データを漏洩することができる。 HTに対処するためには、HTシナリオを迅速に調査することが重要な要件である。 本稿では,登録転送レベル(RTL)設計のためのHTスイートを生成するための大規模言語モデル(LLM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-17T07:13:06Z)
• CELA: Cost-Efficient Language Model Alignment for CTR Prediction [70.65910069412944]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最重要位置を占める。 最近の取り組みは、プレトレーニング言語モデル(PLM)を統合することでこれらの課題を緩和しようとしている。 CTR予測のためのtextbfCost-textbfEfficient textbfLanguage Model textbfAlignment (textbfCELA)を提案する。
  論文  参考訳（メタデータ） (2024-05-17T07:43:25Z)
• K-ASTRO: Structure-Aware Adaptation of LLMs for Code Vulnerability Detection [12.458619777971956]
  K-ASTROは、大規模言語モデルからのセマンティック埋め込みと抽象構文木(AST)の構造的特徴を組み合わせた軽量なトランスフォーマーモデルで、コード脆弱性検出の効率と精度を向上させる。 提案手法では,突然変異検査にインスパイアされたASTベースの拡張手法,拡張AST機能を組み込んだ構造認識型アテンション機構,コードセマンティクスと構文を統一する共同適応パイプラインを導入している。
  論文  参考訳（メタデータ） (2022-08-17T04:50:51Z)

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。