CHARGE는 CWE와 대규모 언어모델을 활용해 검증되지 않은 RTL 모듈의 보안 속성을 자동 생성하는 프레임워크다. CWE 항목의 계층 구조를 활용한 추론 과정을 핵심으로 삼아 보안이 중요한 자산을 식별하는 정확도를 높이고, 신뢰할 수 있는 설계 명세 없이도 식별된 자산과 CWE 의미로부터 기대 보안 동작을 추론해 속성을 생성함으로써 수작업 엔지니어링 부담을 줄인다. GPT-4.1을 사용해 Hack@DAC18·19·21 오픈소스 SoC 설계에서 평가한 결과, 알려진 버그 42개 중 27개를 탐지했다. Hack@DAC21 OpenPiton SoC에서는 생성된 SVA의 89%가 Cadence JasperGold FPV에서 실행됐고 92.2%가 비공허(non-vacuous)했으며, 수작업 속성 세트와 비교해 3건의 버그에서 수작업 속성이 틀렸던 것을 CHARGE가 올바르게 작성했고, 기존에 발견되지 않았던 새 버그도 하나 찾아냈다.
- •CWE 계층 구조와 LLM을 활용해 RTL 모듈의 보안 속성(SVA)을 자동 생성하는 프레임워크 CHARGE 제안
- •신뢰 설계 명세 없이 자산 식별과 CWE 의미만으로 기대 보안 동작을 추론
- •GPT-4.1 기반 평가에서 Hack@DAC 시리즈 알려진 버그 42개 중 27개 탐지
- •생성 속성의 89%가 FPV에서 실행, 92.2% 비공허, 수작업 오류 3건 교정 및 신규 버그 1건 추가 발견
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
CHARGE: Leveraging CWE Hierarchies for Hardware Security SystemVerilog Assertion Generation
본문 미리보기
arXiv:2607.27776v1 Announce Type: new Abstract: This paper presents CHARGE, an automated framework for generating security properties for unverified RTL modules using CWEs and large language models (LLMs). The hallmark is a reasoning process that leverages the hierarchical nature of CWE entries to improve accuracy when identifying security-critical assets in unverified RTL modules. As a result, the approach can infer expected security behaviors and generate properties from identified assets and
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:06AI 초안
