申请/专利权人:西北工业大学
申请日:2022-04-08
公开(公告)日:2024-03-08
公开(公告)号:CN114861573B
主分类号:G06F30/327
分类号:G06F30/327;G06F30/34;G06F18/2431;G06F18/2411
优先权:
专利状态码:有效-授权
法律状态:2024.03.08#授权;2022.08.23#实质审查的生效;2022.08.05#公开
摘要:本发明公开了一种基于LUT特征提取和机器学习的硬件木马检测方法,输入嵌入硬件木马的集成电路设计作为训练集;将训练集成电路设计综合成现场可编程门阵列网表;对FPGA网表进行硬件木马特征提取,并保存生成的训练量化特征值;使用训练量化特征值,对机器学习分类器进行训练,生成最优硬件木马分类器;输入待检测集成电路设计;将待检测集成电路设计综合成待测FPGA网表;对待测FPGA网表进行硬件木马特征提取,并保存生成的待测量化特征值;待测量化特征值输入到训练好的硬件木马分类器,将待检测集成电路设计分为木马节点和正常节点,从而实现木马检测。本发明的方法能够实现基于特定条件激活的硬件木马检测,可在集成电路设计早期检测硬件木马安全隐患。
主权项:1.一种基于LUT特征提取和机器学习的硬件木马检测方法,其特征在于,包括如下步骤:步骤1:输入嵌入硬件木马的集成电路设计作为训练集;步骤2:使用FPGA综合工具将训练集中的集成电路设计综合成FPGA网表;步骤3:对FPGA网表进行硬件木马特征提取:针对FPGA网表中的每个信号的4层扇入逻辑,提取每层扇入包含的低翻转LUT的个数,得到每个信号的4维量化特征值;所述低翻转LUT指二进制初始化向量中1或者0的个数小于2个的LUT;将每个信号的4维量化特征值作为训练数据集;步骤4:使用训练数据集,对机器学习分类器进行训练,生成最优硬件木马分类器,用于将集成电路设计分为木马节点和正常节点;步骤5:使用FPGA综合工具将待检测集成电路设计综合成待测FPGA网表;步骤6:对待测FPGA网表进行硬件木马特征提取,得到待测FPGA网表的每个信号的4维量化特征值;步骤7:将步骤6得到的待测量化特征值输入到步骤4生成的最优硬件木马分类器中,将待检测集成电路设计分为木马节点和正常节点,从而实现木马检测。
全文数据:
权利要求:
百度查询: 西北工业大学 一种基于LUT特征提取和机器学习的硬件木马检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。