Ευφυές υπολογιστικό σύστημα για την ανίχνευση ελαττωμάτων και ανωμαλιών στην Ηλεκτρολογία

Abstract

In our days there is a need for even more and more sophisticated circuits. The design companies to reduce the operating costs and facilitate mass production of integrated circuits, outsource their fabrication to third-party foundries. This process increases the risk of intrusion attacks in the form of hardware viruses, also known as hardware trojans (HTs) viruses. HTs viruses are a critical problem that has the potential to become an outbreak in the coming years, presenting a significant threat both technologically and socially.The majority of the studies are concerned with the development of countermeasures against HTs for Field-Programmable Gate Array (FPGA) circuits at the post-silicon stage. Also, there is limited information and published studies for the Application-Specific Integrated Circuits (ASICs) and specifically for the pre-silicon stage. ASICs are challenging due to the variety of design phases especially on the pre-silicon stage and for the need for professional tools for the design of each phase.In this thesis, we studied several phases for the design process on ASICs and we found that there is a general lack of free benchmark circuits and also there is a high imbalance problem between uninfected and infected benchmark circuits. We used and designed all the limited benchmark circuits for the Gate-Level Netlist (GLN) phase of ASICs with a professional tool and extracted area, power and time analysis features. We developed our Machine Learning (ML) classification models based on this limited data and we observed that the lack of samples leads to the development of imbalanced and no robust ML-based classification approaches against HTs viruses. We solved the problem of the limited data with the development of our Deep Learning (DL) - Generative Adversarial Networks (GANs) models which were able to synthesize new generated data based on our real limited data. GANs are novel DL algorithms that are used in the computer vision field for generating artificial images and it was the first time that GANs were used in this research field. Based on our new generated data we developed a robust ML-based classifier as a countermeasure against HTs at the GLN phase and compared it with existing methods. Finally, we turned our generative model into a free tool to be used as a solution for dealing with the limited number of data.

Στις μέρες μας υπάρχει ανάγκη για ακόμη πιο εξελιγμένα κυκλώματα. Οι εταιρείες σχεδιασμού, προκειμένου να μειώσουν το λειτουργικό κόστος και να διευκολύνουν τη μαζική παραγωγή ολοκληρωμένων κυκλωμάτων, αναθέτουν την κατασκευή τους σε τρίτους. Η διαδικασία αυτή αυξάνει τον κίνδυνο επιθέσεων εισβολής με τη μορφή ιών υλικού, γνωστών και ως ιών δουρείου ίππου συσκευών. Οι ιοί αυτοί αποτελούν ένα σημαντικό πρόβλημα που έχει τη δυνατότητα να εξελιχθεί σε επιδημία τα επόμενα χρόνια, αποτελώντας σημαντική απειλή τόσο από τεχνολογική όσο και από κοινωνική άποψη.Η πλειονότητα των μελετών αφορά την ανάπτυξη αντιμέτρων κατά των ιών δουρείου ίππου συσκευών, για κυκλώματα συστοιχίας προγραμματιζόμενων πυλών πεδίου και συγκεκριμένα για το στάδιο μετά το πυρίτιο. Επίσης, υπάρχουν περιορισμένες πληροφορίες και δημοσιευμένες μελέτες για τα ολοκληρωμένα κυκλώματα ειδικής εφαρμογής και συγκεκριμένα για το στάδιο πριν από το πυρίτιο. Τα ολοκληρωμένα κυκλώματα ειδικής εφαρμογής αποτελούν πρόκληση λόγω της ποικιλίας των φάσεων σχεδιασμού που έχουν και ιδίως στο στάδιο πριν από το πυρίτιο, καθώς και λόγω της ανάγκης επαγγελματικών εργαλείων για το σχεδιασμό κάθε φάσης.Σε αυτή τη διατριβή μελετήσαμε διάφορες φάσεις για τη διαδικασία σχεδιασμού σε ολοκληρωμένα κυκλώματα ειδικής εφαρμογής και διαπιστώσαμε ότι υπάρχει γενική έλλειψη σε δεδομένα από δημόσια-ελεύθερα κυκλώματα καθώς ότι υπάρχει επίσης μεγάλο πρόβλημα ανισορροπίας μεταξύ μη μολυσμένων και μολυσμένων κυκλωμάτων. Χρησιμοποιήσαμε και σχεδιάσαμε όλα τα περιορισμένα κυκλώματα αναφοράς, για τη φάση επιπέδου πύλης των ολοκληρωμένων κυκλωμάτων ειδικής εφαρμογής, με ένα επαγγελματικό εργαλείο και εξήγαμε χαρακτηριστικά ανάλυσης εμβαδού, ισχύος και χρόνου. Αναπτύξαμε τα δικά μας μοντέλα ταξινόμησης μηχανικής μάθησης, με βάση αυτά τα περιορισμένα δεδομένα και παρατηρήσαμε ότι η έλλειψη δειγμάτων οδηγεί στην ανάπτυξη ανισόρροπων και μη ισχυρών μελετών ταξινόμησης που βασίζονται σε μηχανική μάθηση, για την αντιμετώπιση των ιών δουρείου ίππου συσκευών. Επιλύσαμε το πρόβλημα των περιορισμένων δεδομένων με την ανάπτυξη των δικών μας μοντέλων βαθιάς μάθησης - γενετικών αντιθετικών δικτύων, τα οποία ήταν σε θέση να συνθέσουν νέα παραγόμενα δεδομένα με βάση τα πραγματικά περιορισμένα δεδομένα μας. Τα γενετικά αντιθετικά δίκτυα είναι νέοι αλγόριθμοι βαθιάς μάθησης που χρησιμοποιούνται στον τομέα της υπολογιστικής όρασης, για τη δημιουργία τεχνητών εικόνων. Ήταν η πρώτη φορά που χρησιμοποιήθηκαν γενετικά αντιθετικά δίκτυα σε αυτό το ερευνητικό πεδίο. Έτσι, με βάση τα νέα παραγόμενα δεδομένα μας αναπτύξαμε έναν ισχυρό ταξινομητή βασισμένο σε μηχανική μάθησης, ως αντίμετρο κατά των ιών δουρείου ίππου συσκευών για την φάση επιπέδου πυλών και τον συγκρίναμε με υπάρχουσες μεθόδους για αυτή την φάση. Τέλος, μετατρέψαμε το παραγωγικό μας μοντέλο σε ένα ελεύθερο εργαλείο προκειμένου να χρησιμοποιηθεί ως λύση για την αντιμετώπιση του περιορισμένου αριθμού δεδομένων