EM 시그널 기반 무감독 학습 하드웨어 트로이 검출 연구

Unsupervised learning for EM-signal-based hardware trojan detection

연구 내용

하드웨어 트로이가 유발하는 전자기(EM) 시그널 변화를 무감독 학습으로 모델링하여 미지 트로이를 검출하는 하드웨어 보안 방법을 개발하는 연구

송대건 연구실은 하드웨어 트로이를 소프트웨어 보안과 별개로 다루기 위해 전자기(EM) 관측 신호를 기반으로 한 검출 프레임을 구성합니다. 라벨이 부족한 상황에서 Deep SVDD와 같은 무감독 계열 모델을 적용하여 정상 동작 패턴의 경계를 학습하고, 트로이가 활성화될 때 나타나는 신호 분포의 일탈을 기준으로 의심 케이스를 판정합니다. 기존 방법들과 비교하면서, 학습에 포함되지 않은 미지 트로이에 대해서도 검출 성능을 확인하는 방향으로 연구를 수행합니다. 이를 통해 VLSI 플랫폼에서 보안 검증 절차로 확장 가능한 기반을 마련합니다.

관련 프로젝트

0건

연구 흐름

초기에는 하드웨어 트로이가 실제 회로에서 비정상 동작 또는 정보 유출로 이어진다는 위협 모델을 정리하고, EM 시그널을 관측 가능한 특징으로 채택하는 설계를 수행했습니다. 이후 딥러닝 기반 탐지로 전환하면서 Deep SVDD를 선택해 정상 분포 중심의 학습 전략을 구축했습니다. 마지막으로 기존 탐지 접근과의 비교를 통해 미지 트로이에 대한 일반화 성능을 검증하고, 실사용 검출 파이프라인으로 옮길 수 있는 분석 체계를 확립했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

EM 시그널 기반 하드웨어 보안 검증
무감독 하드웨어 트로이 탐지 모델
미지(미학습) 트로이 검출 절차
VLSI 칩 수준 보안 성능 평가
침투 회로 탐지용 데이터 분석 파이프라인
딥러닝 기반 이상 신호 판정
무단 내장 회로의 탐지 자동화
전자기 기반 제조/운용 검증
보안 게이트/셀 후보군 스크리닝
위협 모델 반영 검출 기준 설계