특징 기반 탐지 방법은 하드웨어 트로jan 탐지에서 널리 사용되어 왔으며, 이 방법에서는 하드웨어 트로jan의 특징을 명시적으로 추출하고 분류기를 학습시키거나 하드웨어 트로jan 신호와 정상 신호를 구분할 수 있는 알고리즘을 구축한다. 이 방법은 사용 가능한 벤치마크 회로들에서 좋은 성능을 보인다. 그러나 벤치마크 회로의 서로 다른 구조적 특징을 포함하는 임의 생성 회로에서 시험하면, 특징을 명시적으로 추출해야 한다는 제약으로 인해 은밀한(stealthy) 신호를 탐지하는 데 실패하기 시작한다. 이러한 상황을 극복하기 위해 본 논문에서는 그래프 신경망(GNN)이 벤치마크 회로와 임의로 생성된 회로 모두에서 하드웨어 트로jan 탐지 성능을 향상시키는 데 어떤 이점이 있는지 탐구하고자 한다. 보다 구체적으로, GNN 모델에 적합하며 신호 사이의 숨은 특징과 관계를 학습할 수 있는 디지털 회로의 적절한 표현을 찾는 것을 목표로 한다. 실험 결과 벤치마크 회로에서 평균 정확도 95.34%로 만족스러운 성능을 보였다. 또한 임의 생성 회로에 대해 수행한 시험에서는 평균 정확도 90.82%로 긍정적인 결과를 나타냈다.

제3자 지식재산권(3PIP)의 사용은 시장 출시 기간(time-to-market)에 대한 요구를 충족함과 동시에 비용을 최소화하기 위해 IC 설계 개발 프로세스에서 표준으로 자리 잡아 왔다. 그러나 이러한 흐름은 기밀 정보의 유출, 정상 실행의 방해, 나아가 시스템에 대한 영구적 손상에 이르기까지 기반 하드웨어의 보안성과 신뢰성을 손상시킬 수 있는 하드웨어 트로이 목마와 같은 위협을 도입한다. 지난 몇 년간 다양한 탐지 방법이 연구되어 왔으며, 기존의 방법으로 회로가 하드웨어 트로이 목마에 감염되었는지만 식별하는 것부터, 기계 학습을 적용하여 어떤 넷(net)이 하드웨어 트로이 목마일 가능성이 가장 높은지 식별하는 방법까지 그 범위가 넓다. 하지만 탐지율을 최대화하고 오탐(false positive) 비율을 최소화한다는 관점에서 성능이 만족스럽지 못하다. 본 논문에서는 하드웨어 트로이 목마 탐지의 새로운 접근법을 제안하며, 게이트 수준 넷리스트를 먼저 영역들로 분할한 뒤 어떤 넷이 하드웨어 트로이 목마일 수 있는지 분석한다. 분할 과정은 넷의 연결성에 의존하는데, 보다 구체적으로 각 fanout 지점을 살펴봄으로써 수행된다. 이후에는 각 분할 영역의 구조적 유사성을 계산하는 방식으로 추가 분석을 수행하고, 이를 통해 하드웨어 트로이 목마 넷과 정상 넷을 구별한다. 실험 결과, 각 벤치마크 회로에 삽입된 하드웨어 트로이 목마 넷에 대해 100%의 탐지가 달성되었으며, 전체 평균 오탐 비율은 1.38%로 나타나 평균 99.31%의 높은 정확도를 보였다.