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.

현장 프로그래머블 게이트 어레이(Field Programmable Gate Array, FPGA)는 재구성 가능성 때문에 인기를 얻고 있으나, 하드웨어 트로이저를 삽입하는 것과 같은 보안 우려를 동반한다. 이러한 위협을 극복하기 위한 다양한 탐지 방법이 제안되었지만, ASIC의 공급망에 적용되는 경우가 많아 FPGA 응용에는 직접 적용할 수 없다. 본 논문에서 저자들은 셀 단위 네틀리스트에서 하드웨어 트로이저를 탐지하기 위한 구조적 특징 기반 탐지 방법을 구현하고자 하며, 이 영역은 아직 충분히 탐구되지 않았다. 구체적으로는 네트들을 상호 접속에 기반하여 더 작은 그룹으로 분할한 뒤, 이들의 구조적 유사성을 살펴 추가 분석한다. 실험 결과, 평균 탐지율 95.41%, 평균 오탐률 2.87%, 평균 정확도 96.27%로 긍정적인 성능을 보였다.

픽셀 수준 접근과 같은 세밀한 영상 분석은 엑스레이 보안 이미지에서 위협 탐지를 향상시킨다. 그러나 실제 환경에서는 전체 픽셀 수준 주석을 획득하는 비용이 크게 증가하므로, 데이터셋을 부분적으로 라벨링함으로써 이를 줄일 수 있다. 하지만 부분적으로 라벨링된 데이터셋을 처리하면 학습 과정에서 복잡한 다단계 네트워크가 요구될 수 있다. 본 논문에서는 부분 라벨 데이터셋에 대해 단일 네트워크를 학습하면서, 데이터와 객체 제안(object proposal) 수준에서 내재된 클래스 불균형을 함께 완화하는 새로운 종단 간(object separation) 프레임워크를 제안한다. 경험적 결과는 기존 접근법에 비해 유의미한 성능 향상을 보여준다.

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.

현장 프로그래머블 게이트 어레이(Field Programmable Gate Array, FPGA)는 재구성 가능성 때문에 인기를 얻고 있으나, 하드웨어 트로이저를 삽입하는 것과 같은 보안 우려를 동반한다. 이러한 위협을 극복하기 위한 다양한 탐지 방법이 제안되었지만, ASIC의 공급망에 적용되는 경우가 많아 FPGA 응용에는 직접 적용할 수 없다. 본 논문에서 저자들은 셀 단위 네틀리스트에서 하드웨어 트로이저를 탐지하기 위한 구조적 특징 기반 탐지 방법을 구현하고자 하며, 이 영역은 아직 충분히 탐구되지 않았다. 구체적으로는 네트들을 상호 접속에 기반하여 더 작은 그룹으로 분할한 뒤, 이들의 구조적 유사성을 살펴 추가 분석한다. 실험 결과, 평균 탐지율 95.41%, 평균 오탐률 2.87%, 평균 정확도 96.27%로 긍정적인 성능을 보였다.

픽셀 수준 접근과 같은 세밀한 영상 분석은 엑스레이 보안 이미지에서 위협 탐지를 향상시킨다. 그러나 실제 환경에서는 전체 픽셀 수준 주석을 획득하는 비용이 크게 증가하므로, 데이터셋을 부분적으로 라벨링함으로써 이를 줄일 수 있다. 하지만 부분적으로 라벨링된 데이터셋을 처리하면 학습 과정에서 복잡한 다단계 네트워크가 요구될 수 있다. 본 논문에서는 부분 라벨 데이터셋에 대해 단일 네트워크를 학습하면서, 데이터와 객체 제안(object proposal) 수준에서 내재된 클래스 불균형을 함께 완화하는 새로운 종단 간(object separation) 프레임워크를 제안한다. 경험적 결과는 기존 접근법에 비해 유의미한 성능 향상을 보여준다.

X-ray 보안 영상에서 위협을 탐지하는 것은 공공 안전을 보장하기 위해 매우 중요하다. 최근 딥러닝 알고리즘이 X-ray 보안 영상의 위협 탐지 과제에 도입되기 시작했다. 그러나 이 분야의 대부분 선행 연구는 주로 영상 수준 분류 및 객체 수준 탐지 접근법에 초점을 맞추어 왔다. X-ray 보안 영상을 화소 수준의 접근으로서 객체 분리를 채택해 분석하면 자동 위협 탐지가 크게 향상될 수 있다. 본 논문에서는 대규모의 불균형 X-ray 데이터셋의 위협 탐지 파이프라인에 분할(deep learning) 딥러닝 모델을 통합하는 것이 미치는 영향을 조사하였다. 진양성(true positives)의 탐지를 극대화하기 위해 균형 잡힌 데이터셋에서 X-ray 보안 영상 내 가능한 위협 영역을 국소화(localize)하기 위한 Faster R-CNN(region-based convolutional neural network) 모델을 학습하였다. 다음으로 DeepLabV3+ 모델을 학습하여 위협 영역 내의 각 화소를 분류함으로써 예비 탐지를 검증하였고, 그 결과 거짓양성(false positives)이 억제되었다. 두 모델은 하나의 탐지 파이프라인에서 결합되어 최종 탐지 결과를 생성한다. 실험 결과, 제안 방법은 이전 기준선 방법 및 엔드투엔드 인스턴스 분할 방법을 유의미하게 능가하였으며, 실제 데이터셋에서 불균형의 규모가 증가함에 따라 각각 94.88%, 91.40%, 89.42%의 평균 정밀도(mean average precisions, mAP)를 달성하였다.

X-ray 보안 영상 데이터의 분포가 내재적으로 불균형하다는 점은, 이 분야에 적용되는 컴퓨터 비전 알고리즘에서 가장 어려운 측면 중 하나이다. 이 분야의 기존 연구 대부분은 이러한 특성을 간과하여, 실제 환경에서의 적용을 제한해 왔다. 본 논문은 불균형 X-ray 데이터셋에서 컴퓨터 비전 알고리즘의 성능을 향상시키기 위해, 생성적 적대 신경망(Generative Adversarial Networks, GAN) 기반 이미지 증강, 즉 이미지 합성을 사용하는 것이 미치는 영향을 조사한다. 우리는 위협 물체의 새로운 X-ray 영상을 생성하기 위해 Deep Convolutional GAN(DCGAN)을 사용하였고, 위협 물체의 카메라 영상을 X-ray 영상으로 변환하기 위해 Cycle-GAN을 사용하였다. 또한 데이터셋 증강에 활용되는 배경 X-ray 영상에 위협 물체를 결합하여 새로운 X-ray 보안 영상을 합성하였다. 이후 다양한 Faster (Region Based Convolutional Neural Network) R-CNN 모델을 서로 다른 증강 접근법을 사용하여 학습하고, 대규모의 실무용 X-ray 영상 데이터셋에서 성능을 평가하였다. 실험 결과는 이미지 합성이 거짓양성률(False Positive Rate, FPR)을 최대 15.3%까지 유의미하게 감소시켜 불균형 문제를 대응하는 데 효과적인 접근임을 보여준다. 또한 이미지 합성과 기존의 이미지 증강을 결합하면 FPR이 최대 19.9%까지 추가로 개선된다. 한편, 사용한 증강 방법과 무관하게 약 94% 수준의 비교적 높은 진양성률(True Positive Rate, TPR)이 유지되었다.

X-레이 보안 영상에서의 위협 객체 인식은 컴퓨터 비전의 중요한 실용적 응용 분야 중 하나이다. 그러나 이 분야의 연구는 이러한 응용을 위한 실제 환경을 반영할 수 있는 사용 가능한 데이터셋의 부재로 인해 제한되어 왔다. 본 논문에서는 다중 레이블 분류에서의 극심한 클래스 불균형 문제에 대한 해결책으로, GAN 기반 이상 탐지(GBAD)라는 새로운 접근 방식을 제시한다. 이 방법은 비실용적인 데이터셋에 대해 CNN을 학습함으로써 유발되는 오탐 양성(false positives)의 급증을 억제하는 데 도움을 준다. 우리는 항만 보안 검사 시스템에서의 실제 시나리오를 면밀히 모사하기 위해 대규모 X-레이 이미지 데이터베이스에서 본 방법을 평가한다. 실험 결과는 기존 알고리즘 대비 성능 향상을 보여준다.

하드웨어 트로이의 영향을 방지하고 완화하기 위해 여러 검증 및 탐지 방법이 제안되어 왔다. 그러나 문헌에 보고된 기존 하드웨어 트로이 설계는 제한적이며 단순하여, 기존 탐지 방법의 역량에 한계가 있다. 본 논문에서는 선형 피드백 시프트 레지스터(linear feedback shift register, LFSR)를 기반으로 한 새로운 하드웨어 트로이를 제안하고, 여기에 시프트 레지스터를 추가함으로써 은닉성을 확장하여 기존의 최신 탐지 알고리즘으로는 탐지되지 않도록 한다. 또한 가능한 방어를 달성하기 위해 기존 탐지 방법을 비교 방식(comparison scheme)을 사용하여 확장하는 구현을 수행하였다. 실험 결과는 새로운 하드웨어 트로이가 기존 탐지 방법을 회피하며, 나아가 제안된 확장 알고리즘을 통해서는 추가로 탐지될 수 있음을 보여준다.