MARC

 008250123s2024        us                              c    eng  d
■001000017164145
■00520250211152837
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384456186
■035    ▼a(MiAaPQ)AAI31561813
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aDutta  Chowdhury,  Subhajit.
■24510▼aGraph  Machine  Learning  for  Hardware  Security  and  Security  of  Graph  Machine  Learning:  Attacks  and  Defenses
■260    ▼a[Sl]▼bUniversity  of  Southern  California▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a188  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Nuzzo,  Pierluigi.
■5021  ▼aThesis  (Ph.D.)--University  of  Southern  California,  2024.
■520    ▼aThe  burgeoning  costs  of  integrated  circuit  (IC)  fabrication  have  led  to  widespread  globalization  of  the  IC  supply  chain,  exposing  IC  designs  to  hardware  security  threats  like  intellectual  property  (IP)  theft  or  piracy,  illegal  overproduction,  and  hardware  Trojan  insertion.  These  security  challenges  have  triggered  research  on  the  exploration  of  secure  design  methodologies.  However,  the  security  solutions  are  often  incomplete,  leaving  new  channels  of  sensitive  information  leakage  which  must  be  considered.  In  this  dissertation,  we  introduce  novel  analysis  methods,  attacks,  and  defenses  based  on  graph  learning,  and  specifically  graph  neural  networks  (GNNs),  to  address  some  of  the  information  leakage  challenges  to  trustworthy  ICs.  GNNs  are  particularly  effective  in  processing  circuit  netlists,  which  are  inherently  graph-structured  data.  They  can  leverage  the  node  properties  of  a  circuit  netlist  and  their  neighborhood  information  to  successfully  perform  different  tasks.  First,  we  present  a  state  register  identification  technique  with  GNNs  (ReIGNN)  that  enables  circuit  reverse  engineering  for  hardware  protection.  ReIGNN  combines,  for  the  first  time,  GNNs  with  structural  analysis  to  identify  the  state  registers  and  help  recover  the  control  logic  of  a  design.  We  then  present  a  graph  learning-driven  attack  (GLEAN)  for  analyzing  the  security  guarantees  of  different  logic  obfuscation  (or  locking)  methods  by  assessing  the  level  of  information  leakage  from  their  structural  signatures.  Graph  learning  can  also  be  used  to  detect  topologically  and  functionally  similar  logic  gates  or  wires  in  a  design,  which  in  turn  can  be  used  to  confuse  existing  machine  learning-based  attacks  on  logic  obfuscation.  In  this  context,  we  introduce  a  graph  similarity-based  logic  locking  technique  (SimLL)  which  is  the  state-of-the-art  defense  against  existing  oracle-less  learning-based  attacks.  We  also  introduce  a  reconfigurable  logic-based  locking  technique  which  improves  resilience  against  existing  oracle-based  attacks.  Reconfigurable  logic  blocks  like  look-up  table  (LUT),  and  switch-boxes  reduce  the  amount  of  information  leaked  from  their  structural  signatures  making  them  resilient  against  machine  learning-based  attacks  too.Finally,  security  is  a  major  concern  for  GNN  models  too.  GNN  models  are  highly  vulnerable  to  adversarial  attacks,  where  imperceptible  perturbations  to  the  input  data  can  significantly  impact  their  performance.  To  mitigate  this  vulnerability,  we  present  a  GNN  training  method  that  yields  models  that  are  sparse  and  compressed,  yet  adversarially  robust.  Overall,  this  dissertation  explores  the  intersection  of  graph  learning  and  hardware  security  highlighting  the  critical  role  of  graph  learning  in  fortifying  hardware  security  as  well  as  the  importance  of  security  considerations  in  graph  learning. 
■590    ▼aSchool  code:  0208.
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■650  4▼aEngineering
■650  4▼aInformation  technology
■653    ▼aMachine  learning
■653    ▼aGraph  neural  networks
■653    ▼aHardware  security
■653    ▼aLogic  locking
■653    ▼aReverse  engineering
■690    ▼a0544
■690    ▼a0800
■690    ▼a0464
■690    ▼a0489
■690    ▼a0537
■71020▼aUniversity  of  Southern  California▼bElectrical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0208
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164145▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서