Γεώργιος Μακρής

Καθηγητής, ECE - University of Texas at Dallas

Ο Δρ. Γιώργος Μακρής είναι καθηγητής στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών στην Πολυτεχνική Σχολή Erik Jonsson του Πανεπιστημίου του Τέξας στο Ντάλλας των Η.Π.Α., όπου ηγείται του ερευνητικού εργαστηρίου Έμπιστων και Αξιόπιστων Αρχιτεκτονικών (Trusted and RELiable Architectures (TRELA)), του τομέα Ασφάλειας του ερευνητικού κέντρου αριστείας του Τέξας στην αναλογική σχεδίαση (Texas Analog Center of Excellence (TxACE)), καθώς και του συνεργατικού διαπανεπιστημιακού ερευνητικού κέντρου του Εθνικού Ιδρύματος Ερευνών των Η.Π.Α. στο αντικείμενο της Εμπιστοσύνης και Ασφάλειας Υλικού και Ενσωματωμένων Συστημάτων (National Science Foundation Industry University Cooperative Research Center (IUCRC) on Hardware and Embedded System Security and Trust (CHEST)). Πριν την τωρινή του θέση, υπήρξε για μία δεκαετία μέλος ΔΕΠ στα τμήματα Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών του Πανεπιστημίου Yale. Νωρίτερα, εκπόνησε τη διδακτορική του διατριβή (2001) και τις μεταπτυχιακές του σπουδές (1997) στο τμήμα Επιστήμης και Μηχανικών Υπολογιστών του Πανεπιστημίου της Καλιφόρνιας στο Σαν Ντιέγκο. Ακόμη νωρίτερα, αποφοίτησε από το τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής του Πανεπιστημίου της Πάτρας (1995). Τα ερευνητικά του ενδιαφέροντα εστιάζουν στις εφαρμογές μηχανικής μάθησης και στατιστική ανάλυσης στη σχεδίαση αξιόπιστων, έμπιστων και ασφαλών ηλεκτρονικών κυκλωμάτων και συστημάτων, με έμφαση στα αναλογικά κυκλώματα και τα κυκλώματα ραδιοσυχνοτήτων. Ασχολείται επίσης με ανίχνευση κακόβουλου λογισμικού μέσω του υλικού, καθώς και με υλοποίηση μεθόδων αναλογικής μηχανικής μάθησης σε πυρίτιο και με νέες υπολογιστικές μεθόδους με τη χρήση νέων τεχνολογιών. Είναι επίτιμο μέλος της ΙΕΕΕ και έχει τιμηθεί με το βραβείο διακεκριμένης διδασκαλίας Sheffield από το πανεπιστήμιο Yale το 2006, με τα βραβεία καλύτερης ερευνητικής δημοσίευσης από τα συνέδρια Design Automation and Test in Europe (DATE) το 2013 και VLSI Test Symposium (VTS) το 2015, με το βραβείο καλύτερης επίδειξης υλικού από το συνέδριο Hardware Oriented Security and Trust (HOST) το 2016 και το 2018, καθώς και με το βραβείο του καλύτερου ερευνητή από την Πολυτεχνική Σχολή Erik Jonsson του Πανεπιστημίου του Τέξας στο Ντάλλας των Η.Π.Α. το 2020.

Applications of Machine Learning in Hardware Security

Over the last fifteen years, hardware security and trust has evolved into a major new area of research at the intersection of semiconductor manufacturing, VLSI design and test, computer-aided design, architecture and system security. During the same period, machine learning has experienced a major revival in interest and has flourished from a nearly forgotten area to the talk of the town. In this presentation, we will first briefly review various machine learning-based solutions which have been developed to address a number of concerns in hardware security and trust, including hardware Trojan detection, counterfeit IC identification, provenance attestation, hardware-based malware detection, side-channel attacks, PUF modeling, etc. Then, we will examine the key attributes of these problems which make them amenable to machine learning-based solutions and we will discuss the potential and the fundamental limitations of such approaches. Lastly, we will ponder the role of and necessity for advanced contemporary machine learning methods in the context of hardware security and we will conclude with suggestions for avoiding common pitfalls when employing such methods.