SafeTune: RTL 코드 생성을 위한 LLM 파인튜닝中的数据 독소 공격 완화

대형 언어 모델 (LLMs) 이 하드웨어 작업, 예를 들어 RTL 코드 생성과 같은 작업에 점점 더 많이 파인튜닝됨에 따라 고품질 데이터셋의 부족은 빠르게 조립되거나 생성된 학습 데이터를 사용하게 만듭니다. 이러한 데이터셋은 종종 보안 검증을 거치지 않아 데이터 독소 공격 (data poisoning attacks) 에 매우 취약합니다. 이러한 독소는 모델이 표준 기능 검사를 우회하는 문법적으로 유효하지만 보안을 확보하지 못한 하드웨어 모듈을 생성하도록 할 수 있습니다. 이를 해결하기 위해 우리는 하드웨어 트로이안 (HT) 삽입에 특히 초점을 맞춰 LLM 기반의 RTL 생성을 독소 공격에 견고하게 만드는 SafeTune 프레임워크를 제시합니다. SafeTune 은 두 가지 핵심 구성 요소를 통합합니다: (i) 파인튜닝 동안 이상한 회로 패턴을 식별하기 위해 구조적 속성을 모델링하는 그래프 신경망 (GNN), 그리고 (ii) 텍스트 임베딩과 XGBoost 분류기를 사용하여 프롬프트 보안을 평가하는 의미론적 검증 모듈입니다. 구조적 지식과 의미론적 지식을 결합함으로써 SafeTune 은 정당한 데이터를 희생하지 않으면서 독소 입력을 효과적으로 걸러냅니다. 실험 결과는 SafeTune 이 기본 모델 아키텍처의 수정 없이도 LLM 파인튜닝의 견고성과 신뢰성을 현저히 향상시킨다는 것을 보여줍니다.