格拉姆角场变换预处理下基于DenseBlock和注意力机制的无金芯片硬件木马检测方法技术

本发明专利技术涉及GAFS预处理下基于注意力机制的DenseBlock结构及应用该结构的硬件木马分类检测算法。采用具备若干注意力机制支路网络的DenseNet结构。本发明专利技术从改进DenseNet模型的角度出发，提出SE

【技术实现步骤摘要】
格拉姆角场变换预处理下基于DenseBlock和注意力机制的无金芯片硬件木马检测方法


[0001]本专利技术属于实际生产中涉及的硬件木马领域，具体涉及单种类与混合类别硬件木马的识别分类算法

技术介绍

[0002]信息社会的快速发展和人工智能技术在社会中的加速应用，使集成电路芯片在国防建设、国民生活和国民经济发展中发挥着越来越重要的作用。集成电路设计日益复杂，上市时间压力大，设计和制造工艺成本高，推动了半导体产业的全球化发展。然而，外包制造和依赖第三方硬件知识产权（IP）块和电子设计自动化（EDA）工具会增加故意和恶意篡改电路的风险。这种由攻击者故意制造并插入芯片的缺陷模块，改变了芯片的功能或性能，并在某些特殊条件下被触发，被称为硬件木马。插入的硬件特洛伊木马可以造成芯片信息泄露，改变芯片功能，甚至破坏芯片。
[0003]在芯片生产过程中，有多个阶段可以插入硬件木马，所以必须在多个层面进行保护。第一层次的保护（安全设计）通常是指在设计过程中尽量防止硬件木马的插入。第二层保护（硬件木马检测）是指在制造IC之前检测恶意电路的存在，以消除木马或丢弃IC。如果现有的硬件木马检测方法不足以检测到木马的存在，则需要实施第三层保护（运行时监控），这一层保护依赖于在芯片运行时检测硬件木马。
[0004]机器学习的方法已经广泛应用于各个领域，尤其是卷积神经网络(CNN，Convolutional Neural Network)结构的出现，在提高图像分类准确率方面提升了一个档次。面对CNN如此高的准确率，如何改进CNN模型提升准确率成为了新的热点问题。经过多位学者的研究发现，增加CNN网络结构的深度可以再次提升分类准确率，因此出现了许多深度卷积神经网络(DCNN，Deep Convolutional Neural Network)结构。但是，不断的加深CNN结构会容易出现过拟合等问题，并不能改善网络的结构性能，且DCNN提取的特征有限。
[0005]硬件木马的侧信道分析检测方法，实质上是将硬件木马的检测转化为数据分类问题，从其工作机理出发，根据其物理和运行参数建立数学模型。模型的准确性很大程度上取决于模型的有效参数输入大小和函数拟合能力。
[0006]GASF能够将时间序列数据转换为图像数据，既能保留信号完整的信息，也保持着信号对于时间的依赖性。

技术实现思路

[0007]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于DenseBlock结构和注意力机制的组合网络架构结构，对时间序列信息进行识别，以实现对单一种类硬件木马以及多木马混合情况的高准确率识别分类。
[0008]为实现上述目的及其他相关目的，本专利技术提供了一种基于DenseBlock结构和注意力机制的组合网络架构结构。
[0009]本专利技术采用的技术方案为：在原有的DenseBlock结构的基础上，增加注意力支路网络，使最后的全连接层可以连接多个参数。
[0010]进一步的，所述DenseBlock结构具备以下结构：1）采用具备若干支路网络的DenseBlock结构，并在DenseBlock结构块中加入注意力机制。
[0011]进一步的，采用1）结构时，形成以下设置形式：主干网络先通过若干个卷积块，再通过若干个DenseBlock结构，最后连接到新的全连接层输出结果。
[0012]进一步的，具体的采用以下结构形式：a)采用间隔至少一个卷积块的方式连接到全连接层的方式；b)采用所有卷积层通过全连接层连接到新的全连接层的方式。
[0013]一种图像分类算法，应用所述的结构进行处理。
[0014]本专利技术从修改DenseBlock模型的角度出发，提出SE
‑
DenseNet
‑
BC（SDBC）模型，通过扩展注意力机制支路，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，硬件木马特征图像的部分特征会存在丢失的情况，从注意力机制支路获取的重点特征图特征，存在相互补充的作用，使得最终的硬件木马特征图特征更加完整。侧信道数据通过GASF预处理，由一维时序数列转变为特征突出的RGB图像，并通过卷积层提取出特征，并在注意力模块下关注重要的点；然后，特征图进入DenseBlock架构，该架构通过加入注意力模块实现分类精度的提高；最后，数据由全连接层进行分类。SDBC网络结构是在原有的DenseNet结构的基础上，增加注意力支路网络，使最后的全连接层可以连接多个参数，从而获得更多的图像信息，丰富网络学习的细节特征，提升DenseNet网络的性能。
附图说明
[0015]为了进一步阐述本专利技术所描述的内容，下面结合附图对本专利技术的具体实施方式作进一步详细的说明；应当理解，这些附图仅作为典型示例，而不应看作是对本专利技术的范围的限定。
[0016]图1为SE
‑
DenseNet
‑
BC（SDBC）模型构建方式。
具体实施方式
[0017]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0018]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想。
[0019]首先，侧信道数据通过GASF预处理，由一维时序数列转变为特征突出的RGB图像，并通过卷积层提取出特征，并在注意力模块下关注重要的点；然后，特征图进入DenseBlock架构，该架构通过加入注意力模块实现分类精度的提高；最后，数据由全连接层进行分类。
[0020]实验结果与分析
一、实验数据和分类指标1、实验数据数据集涉及的数据是来自Trust Hub的部分HT参考的功率和EM侧通道信号。所有的HT都针对一个加密核心电路，该电路被命名为AES 128bits。AES电路接收一个128比特的输入值（明文），使用密匙对其进行加密，并产生一个128比特的输出（密码文本）。在每个数据采集实验中，加密过程要重复10000次，从而产生10000个时间序列信号。
[0021]实验结果中列出的木马类型为AES
‑
T500、AES
‑
T600、AES
‑
T700、AES
‑
T800和AES
‑
T1600五种。而每种HT的时间序列信号都是从数据集中的10000个时间序列信号中随机抽取的，其中4000个作为训练集，1000个作为验证集。
[0022]2、分类指标分类测试实验中，被触发的硬件木马类别被标记为阳性，不活跃的类别被标记为阴性，那么我们可以得到真阳性（TP）、假阳性（FP）、真阴性（TN）和假阴性（FN）四个类别。。常用的分类指标Accur本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力机制的DenseNet结构，其特征在于，采用具备若干支路网络的DenseNet结构，在DenseNet结构块中加入注意力机制模块。2.根据权利要求1所述的基于注意力机制的DenseNet结构，其特征在于，所述DenseNet结构具备以下结构：主干网络先通过若干个卷积块，再通过若干个DenseNet结构和注意力机制模块，最终通过全连接层输出结果。3.根据权利要求2所述的基于注意力机制的DenseNet结构，其特征在于，主干网络中最先通过的卷积块结构，形成以下设置形式：卷积块的池化层与激活层中...

【专利技术属性】
技术研发人员：陈寿宏，汪韬，侯杏娜，黄振涛，马峻，郭玲，覃冠翔，陆颖，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：