Een onderzoek naar machinelearning voor RISC-V meldde bijna 100% nauwkeurigheid bij het herkennen van bekende aanvallen in een computersimulatie. Bij tests met volledig achtergehouden programma’s liepen de resultaten sterk uiteen. De studie verscheen op 27 oktober 2026 in Neural Computing and Applications en testte geen fysieke RISC-V-chips.
Wat de detector waarneemt
De onderzoekers bouwden HARPY-V-GEM5, een dataset met gegevens uit de simulatieomgeving gem5. Het model analyseerde twee soorten signalen: hardware performance counters (HPC’s), die gebeurtenissen in de processor bijhouden, en de frequenties van instructiemnemonics, de korte labels voor processorinstructies.
De dataset bevatte 32 programma’s: 16 goedaardige toepassingen en 16 programma’s met een exploit, een aanval die misbruikmaakt van een kwetsbaarheid. De onderzoekers gebruikten gem5 versie 24.1.0.3 om een RISC-V-processor met één kern en één thread te simuleren. Elke 10.000 gecommitteerde instructies namen ze een nieuwe meting. De uiteindelijke dataset bevatte 412.480 meetpunten.
Bij bekende aanvallen scoorden de modellen hoog
In de gesimuleerde test met bekende aanvallen behaalde een Random Forest-model op basis van HPC-gegevens 99,55% detectienauwkeurigheid. Een Decision Tree, een beslismodel dat gegevens via opeenvolgende keuzes indeelt, kwam op 99,54%. Met instructiekenmerken haalden Random Forest en Decision Tree respectievelijk 99,08% en 99,06%.
Detecteren of een programma kwaadaardig is, is iets anders dan bepalen tot welke aanvalsfamilie het behoort. Voor die tweede taak haalde HPC-gebaseerde Random Forest 97,52%. Met instructiekenmerken lag de classificatie van aanvalsfamilies rond 60%.
Wat de scores voor ongeziene programma’s betekenen
De studie rapporteert 90,08% nauwkeurigheid voor HPC-gebaseerde Random Forest in een geselecteerde case-study met een onbekende aanval. Dat cijfer is iets anders dan het gemiddelde uit de systematische leave-one-program-out-evaluatie, afgekort tot LOPO.
Bij LOPO hielden de onderzoekers in iedere testronde één volledig programma en de 12.890 bijbehorende meetpunten buiten de training. De testset bestond daardoor telkens uit één klasse. In de resultatensectie rapporteert het artikel voor HPC-gebaseerde Random Forest een gemiddelde nauwkeurigheid van 77,95%; voor een Decision Tree met instructiekenmerken staat daar 89,38%.
De samenvatting van het artikel noemt voor instructiekenmerken meer dan 96% nauwkeurigheid bij ongeziene aanvallen. De resultatensectie vermeldt daarnaast 89,38% voor de instructiegebaseerde Decision Tree in de LOPO-evaluatie. Het artikel verklaart niet hoe die cijfers zich tot elkaar verhouden.
Aanvalsspecifieke missers en de grenzen van de studie
De prestaties verschilden ook per achtergehouden aanval. De resultatensectie vermeldt 1,34% nauwkeurigheid voor spectrev2 en 0,00% voor flush-fault-ret. De studie beschrijft ook verschillende blinde vlekken per type signaal: instructiekenmerken misten timer-drift, terwijl HPC-modellen die aanval vrijwel perfect detecteerden.
Alle resultaten komen uit gem5-simulaties. De auteurs noemen validatie op fysieke RISC-V-hardware en integratie in een actieve runtime-monitor als toekomstig werk. Ze stellen een instructiegebaseerde Decision Tree voor als lichte eerste controle, HPC-gebaseerde Random Forest voor het herkennen van aanvalsfamilies, of een combinatie in twee stappen voor.
