Project Foxtrot: Abstracting the Complexity of Bitstream Reverse Engineering Through ML
Notice bibliographique
Résumé
Field-programmable gate arrays (FPGAs) face substantial security threats due to their inherent reconfigurability, heavy reliance on third-party intellectual property (3PIP) blocks, and increasing deployment in safety-critical domains. To compound these challenges, the proprietary nature of FPGA bitstreams hinders the ability to verify designs against potential threats such as hardware Trojans. Given these security challenges, prior works have proposed reverse engineering (RE) solutions to recover netlist information from bitstreams for security analysis. However, these solutions are FPGA-specific and require an exhaustive mapping between the netlist functions and bitstream bits. This paper introduces Project Foxtrot, a novel, vendor-agnostic framework for FPGA bitstream RE. Our framework leverages machine learning (ML) to simplify and accelerate the bitstream mapping process. It addresses the limitations of previous works by providing a universal approach that can be adapted to various FPGA vendors. The work presented focuses on the ML techniques integrated within our framework. We demonstrate how these techniques are used to abstract complex, time-consuming tasks, thereby making the process more efficient and scalable. We present our framework and demonstrate the effectiveness of our approach using a lookup table (LUT) recovery use case. Our experiments, conducted on the Intel-Altera Flex 10K, the AMD-Xilinx Spartan 7, and the AMD-Xilinx Artix 7 FPGAs, show perfect accuracy in LUT truth table recovery, surpassing recent state-of-the-art approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».