论文部分内容阅读
硬件特洛伊木马(Hardware Trojan Horses,HTHs)是对芯片的恶意篡改,很有可能会引起芯片的运行故障或者关键信息的泄露。由于集成电路产业链全球化,设计与制造的分离,设计人员不可监控的环节越来越多,芯片被植入硬件木马的可能性急剧增加。由硬件木马的物理特征决定,在现代化的信息社会,硬件木马的危害比软件木马的危害大得多。虽然国际上对硬件木马的研究不足十年,但是由于硬件木马巨大的危害性,使得其研究热度速度蹿升,并逐渐成为信息安全和硬件安全的研究热点。机器学习可通过学习现有信息,进而总结出信息之间的规律和区别,进而达到对未知数据进行分类和预测的目的。机器学习作为人工智能的核心,已是目前最前沿的研究领域之一。本文以侧信道分析技术为研究基础,自主设计了一套适用于RTL电路的基于Hspice功耗模拟和机器学习算法的硬件木马检测平台。首先研究了基于侧信道分析的硬件木马检测技术和硬件木马植入手段,设计了mini AES电路并以此为载体电路成功植入了三种面积不同的木马。自主设计了基于Hspice仿真和Monte Carlo分析功耗采集平台。该平台可以非常精确地模拟集成电路设计的动态功耗和由不同范围工艺偏差带来的功耗波动,较基于FPGA的功耗采集平台更灵活。在此基础上,针对仿真时的工艺偏差进行了分析,并使用PCA算法进行数据维数的压缩处理,经验证通过选取合适的阈值,可将数据维数压缩至低于原有维数的1%。并且可以有效的降低工艺偏差给硬件木马检测带来的影响。对经PCA降维后的实验数据送入人工神经网络和支持向量进行最后的训练和识别,研究结果证明,PSO ANN较传统ANN网络检测准确性更高;网格优化SVM较GA SVM检测准确率更高;网格优化SVM较PSO NN检测正确率更高,后者检测速度更快。二者皆可准确识别占芯片面积为0.32%的木马。其中基于网格优化的SVM的识别方法结果更加稳定。