arXiv cs.AI· Hang Xiao, Chuhong Xu, Kainan Zhou, Gangzhen Qian, Lu Yi·· 6 天前AI 评分20
SecTB-RTL：审计 AI 生成的 RTL 验证计划在安全回归代理上的可信度
Trust, but Validate the Instrument: Auditing AI-Generated RTL Verification Plans on Authored Security-Regression Proxies
AI 导读
研究团队提出 SecTB-RTL 可审计框架，覆盖 31 项任务和 124 个自建硬件安全回归用例，用于检验 AI 生成的 RTL 验证计划能否通过可信执行边界。
正文 · AI 翻译
摘要：AI 生成的 RTL 验证计划可以满足提供商模式，但在向可信执行过渡的边界上失败。我们提出 SecTB-RTL，一个可审计的框架，涵盖 31 项任务和 124 个编写的硬件安全回归测试。一个确定性的非 AI 基线在资源限制递增的情况下分别杀死了 36、75 和 78 个变异体。首次验证性运行（C1-R2）在模型执行前就失败了，因为提供商拒绝了其响应模式。在未查看结果的情况下仅对模式进行修复后，一个单独冻结的后续运行（C1-R3）完成了 1,860 次调用。提供商接受了 1,857 个响应，但只有九个通过了生产语义验证器。生成规则与执行规则不匹配。因此，我们将该运行保留为一次工具验证事件，并且不报告任何提示效应估计。该事件表明，提供商或模式接受并不能确立执行有效性。编译和覆盖率只是诊断信息；确切保存的产物必须通过完整的生产路径。后续的一次跟进被排除，因为它未满足预注册的证据完整性门槛，仅被视为未来工作。我们发布了基准、保留失败的契约、事件溯源以及防止基础设施行为被误报为模型行为所需的治理控制。
| 评论： | 7 页，3 张表。已被 IEEE Cyber-AI 2026 接收。作者接受稿。可复现性产物：此 https URL |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算工程、金融与科学（cs.CE）；信息检索（cs.IR）；机器学习（cs.LG） |
| 引用为： | arXiv:2609.19844 [cs.CR] |
| （或 arXiv:2609.19844v2 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.19844 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Kainan Zhou [查看电子邮件]
[v1]
2026 年 9 月 17 日星期四 07:54:54 UTC（14 KB）
[v2]
2026 年 10 月 9 日星期五 04:59:05 UTC（14 KB）
来源：arXiv cs.AI · arxiv.org