AutoMarks：一个基于图神经网络（GNN）的自动化物理设计水印框架

《ACM Transactions on Design Automation of Electronic Systems》：AutoMarks: A GNN-based Automated Physical Design Watermarking Framework

物理设计水印技术通过图神经网络自动优化芯片布局中的水印植入位置，在保障性能指标的前提下提升安全性。采用多约束特征构建和高效采样策略，实现跨设计类型的水印泛化能力，并通过多基准测试验证其抗攻击性和效率优势。

　　

摘要

物理设计是指将逻辑电路描述转换为可用于制造的物理芯片布局。尽管设计公司投入大量精力来微调单元位置和连接，以优化功耗、性能和面积等指标，但芯片布局在供应链过程中仍容易受到安全威胁。物理设计水印技术会在芯片布局中嵌入签名，从而实现所有权验证并避免潜在的安全风险。然而，要在不影响整体布局质量的前提下确定最佳的水印插入位置，需要付出相当大的努力。本文介绍了AutoMarks这一自动化且可移植的水印框架，该框架利用图神经网络来减少集成电路设计布局阶段的 watermark 搜索开销。AutoMarks 的创新自动化 watermark 搜索方法包括：(i) 构建具有物理、语义和设计约束意识的图及节点特征；(ii) 设计一种高效的数据采样策略来收集 watermark 保真度标签；(iii) 利用图神经网络学习单元之间的连接关系，并预测未见布局上的 watermark 保真度。在 ISPD’15、ISPD’19 和 ICCAD’15 等基准测试中的广泛评估表明，我们提出的自动化方法：(i) 能够在短时间内找到保持质量的 watermark；(ii) 具有跨设计领域的通用性，即在一个布局上训练的 AutoMarks 可应用于其他基准电路；(iii) 对于针对线长和时序指标进行优化的设计也非常有效。AutoMarks 还具备抵抗潜在的 watermark 移除和伪造攻击的能力。我们的代码已在 GitHub 上公开发布。