【技术实现步骤摘要】
集成电路硬件木马检测方法和系统
本专利技术涉及电路检测
,特别是涉及一种集成电路硬件木马检测方法和系统。
技术介绍
随着半导体技术和制造技术的发展,硬件外包设计已成为全球化趋势。近年来出现了一种针对集成电路芯片的新型硬件攻击方式,称为“硬件木马”。硬件木马主要是指在IC(integratedcircuit,集成电路)设计和制造过程中人为地恶意添加一些非法电路或者篡改原始设计文件,从而留下“时间炸弹”或“电子后门”等,为后续攻击打开方便之门。硬件木马的危害主要包括窃取芯片重要的信息、影响电路性能和可靠性、篡改芯片功能甚至损坏芯片等,因此对集成电路进行硬件木马检测越来越受国内外的重视。传统的集成电路硬件木马检测方法主要是通过检测分析电路中的旁路信息来判断电路中是否存在木马。但是对于特别小面积的硬件木马电路,木马对旁路信息的贡献通常非常小,特别容易淹没在测试噪声中,简单的旁路数据处理难以顺利区分开木马芯片和非木马芯片。传统的集成电路硬件木马检测方法存在检测准确性低的缺点。
技术实现思路
基于此,有必要针对上述问题,提供一种可提高检测准确性的集成电路硬件木马检测方法和系统。一种集成电路硬件木马检测方法,包括以下步骤:对所有待测芯片进行多参数旁路测试,获取所有待测芯片的旁路数据;提取部分待测芯片的旁路数据进行无监督学习聚类分析,得到第一聚类和第二聚类;分别抽取所述第一聚类和第二聚类中的部分样本进行逆向工程分析,对所述第一聚类和第二聚类进行辨识,得到木马芯片聚类和非木马芯片聚类并分别设置标记值;根据所述木马芯片聚类和非木马芯片聚类中的旁路数据以及对应的标记值进行有监 ...
【技术保护点】
一种集成电路硬件木马检测方法,其特征在于,包括以下步骤:对所有待测芯片进行多参数旁路测试,获取所有待测芯片的旁路数据;提取部分待测芯片的旁路数据进行无监督学习聚类分析,得到第一聚类和第二聚类;分别抽取所述第一聚类和第二聚类中的部分样本进行逆向工程分析,对所述第一聚类和第二聚类进行辨识,得到木马芯片聚类和非木马芯片聚类并分别设置标记值;根据所述木马芯片聚类和非木马芯片聚类中的旁路数据以及对应的标记值进行有监督学习,得到训练后的神经网络;根据所述神经网络对未用作无监督学习聚类分析的待测芯片进行木马检测。
【技术特征摘要】
1.一种集成电路硬件木马检测方法,其特征在于,包括以下步骤:对所有待测芯片进行多参数旁路测试,获取所有待测芯片的旁路数据;提取部分待测芯片的旁路数据进行无监督学习聚类分析,得到第一聚类和第二聚类;分别抽取所述第一聚类和第二聚类中的部分样本进行逆向工程分析,对所述第一聚类和第二聚类进行辨识,得到木马芯片聚类和非木马芯片聚类并分别设置标记值;根据所述木马芯片聚类和非木马芯片聚类中的旁路数据以及对应的标记值进行有监督学习,得到训练后的神经网络;根据所述神经网络对未用作无监督学习聚类分析的待测芯片进行木马检测;所述无监督学习聚类分析通过自组织特征映射神经网络完成;所述提取部分待测芯片的旁路数据进行无监督学习聚类分析,得到第一聚类和第二聚类的步骤,如下:根据提取的部分待测芯片的旁路数据确定竞争层的竞争获胜单元;对所述竞争获胜单元及其邻域单元的连接权值进行更新,具体为ωji(k+1)=ωji(k)+△ωji其中,ωji(k)表示更新前的连接权值,ωji(k+1)表示更新后的连接权值,ηc和ηN分别表示竞争获胜单元和邻域单元的权值学习因子,取值范围为(0,1),且ηc>ηN,xi、ωji分别表示竞争获胜单元的输入样本及连接权值;根据更新连接权值后的竞争获胜单元及其邻域单元,对提取的部分待测芯片的旁路数据进行分类,得到所述第一聚类和第二聚类。2.根据权利要求1所述的集成电路硬件木马检测方法,其特征在于,将所述待测芯片的多维原始数据作为所述待测芯片的旁路数据,或将对所述多维原始数据进行降维处理后得到的特征数据作为所述待测芯片的旁路数据。3.根据权利要求1所述的集成电路硬件木马检测方法,其特征在于,所述根据提取的部分待测芯片的旁路数据确定竞争层的竞争获胜单元的步骤,包括以下步骤:初始化所述竞争层各单元的连接权值;将提取的部分待测芯片的旁路数据作为输入层的输入,得到输入模式;计算所述竞争层各单元的连接权值与所述输入模式之间的距离;提取连接权值与所述输入模式距离最小的单元作为所述竞争获胜单元。4.根据权利要求1所述的集成电路硬件木马检测方法,其特征在于,所述根据更新连接权值后的竞争获胜单元及其邻域单元,对提取的部分待测芯片的旁路数据进行分类,得到所述第一聚类和第二聚类的步骤,具体包括以下步骤:提取分布于所述竞争层,且与所述竞争层各单元的距离小于或等于预设距离的旁路数据,得到所述第一聚类;提取分布于所述竞争层,且与所述竞争层各单元的距离大于预设距离的旁路数据,得到所述第二聚类。5.根据权利要求1所述的集成电路硬件木马检测方法,其特征在于,所述训练后的神经网络为径向基神经网络;所述根据所述木马芯片聚类和非木马芯片聚类中的旁路数据以及对应的标记值进行有监督学习,得到训练后的神经网络的步骤,如下:对隐含层各节点的中心向量进行初始化处理;将所述木马芯片聚类和非木马芯片聚类中的旁路数据作为输入样本,计算隐含层中各节点与所述输入样本的距离,具体为其中,di(k)表示输入样本x(k)与各节点的中心向量ci(k-1)的距离,q为节点个数;dr(k)表示输入样本与节点的最小距离,r为中心向量ci(k-1)与输入样本x(k)距离最近的隐节点序号;对隐含层各节点的中心向量进行更新并计算聚类质量,直至所述聚类质量小于或等于停止阈值,具体为β(k)=β(k-1)/(1+int(k/q))1/2其中,x(k)为输入样本,ci(k-1)、ci(k)分别为与输入样本最近的节点之外的其他节点更新前和更新后的中心向量,cr(k-1)、cr(k)分别表示与输入样本最近的节点更新前和更新后的中心向量,β(k-1)、β(k)分别表示更新前和更新后的学习速率,int()函数表示取整运算,Je为聚类质量,ε为停止阈值;将所述木马芯片聚类和非木马芯片聚类对应的标记值作为输出样本,根据所述输入样本和输出...
【专利技术属性】
技术研发人员:何春华,侯波,王力纬,恩云飞,谢少锋,
申请(专利权)人:工业和信息化部电子第五研究所,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。