基于木马特征风险敏感的硬件木马检测方法
电子技术应用
李林源，徐金甫，严迎建，刘燕江
（信息工程大学 信息安全重点实验室，河南 郑州 450000）
摘要： 针对现有硬件木马检测方法中存在的木马检出率偏低问题，提出一种基于木马特征风险敏感的门级硬件木马检测方法。通过分析木马电路的结构特征和信号特征，构建11维硬件木马特征向量；提出了基于Borderline-SMOTE的硬件木马特征扩展算法，有效扩充了训练数据集中的木马样本信息；基于PSO智能寻优算法优化SVM模型参数，建立了木马特征风险敏感分类模型。该方法基于Trust-Hub木马库中的17个基准电路展开实验验证，其中16个基准电路的平均真阳率（TPR）达到100%，平均真阴率（TNR）高达99.04%，与现有的其他检测方法相比，大幅提升了硬件木马检出率。
中图分类号：TP309+.1
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223339
中文引用格式： 李林源，徐金甫，严迎建，等. 基于木马特征风险敏感的硬件木马检测方法[J]. 电子技术应用，2023，49(6)：35-43.
英文引用格式： Li Linyuan，Xu Jinfu，Yan Yingjian，et al. Hardware Trojan detection method based upon Trojan cost-sensitive[J]. Application of Electronic Technique，2023，49(6)：35-43.
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223339
中文引用格式： 李林源，徐金甫，严迎建，等. 基于木马特征风险敏感的硬件木马检测方法[J]. 电子技术应用，2023，49(6)：35-43.
英文引用格式： Li Linyuan，Xu Jinfu，Yan Yingjian，et al. Hardware Trojan detection method based upon Trojan cost-sensitive[J]. Application of Electronic Technique，2023，49(6)：35-43.
Hardware Trojan detection method based upon Trojan cost-sensitive
Li Linyuan，Xu Jinfu，Yan Yingjian，Liu Yanjiang
(Key Laboratory of Information Security， Information Engineering University， Zhengzhou 450000， China)
Abstract： In the existing hardware Trojan detection methods, there is problem of low detection rate. Therefore, a cost-sensitive hardware Trojan detection was proposed. By analyzing the structural and signal features of Trojan circuits, an 11 dimensional Trojan feature vector was established. A Trojan feature expansion algorithm based on Borderline-SMOTE was proposed, which effectively expanded the Trojan sample information in the training set. Based on PSO algorithm, the parameters of SVM model were optimized, and a cost-sensitive classification model was established. 17 benchmark circuits from the Trust-Hub were used to verify the efficacy of the proposed approach. Among them, the TPR of 16 benchmark circuits is 100%, and the average TNR is as high as 99.04%. Compared with other existing methods, the detection rate of Trojan is improved greatly.
Key words : hardware Trojan detection；cost-sensitive；PSO；SVM classification model
0 引言
近些年来，随着半导体产业的蓬勃发展，集成电路(IC)设计和制造的外包已成常态，这为恶意的第三方供应商在IC中植入硬件木马提供了机会。硬件木马一旦被激活，可能导致IC功能的改变、泄露内部信息、降低电路可靠性，甚至使芯片失效。考虑到木马电路为硬件安全带来的巨大威胁，硬件木马检测的研究一直在积极进行。然而，硬件木马的设计和检测相互促进、同步发展，即一种新的检测方法被提出后，攻击者会立即设计出一种新的硬件木马，以规避该检测方法。因此，如何实现对未知硬件木马的有效检测是一个亟待解决的问题。鉴于此问题，一种基于机器学习的硬件木马检测方法被提出，通过分析和提取木马电路的特征，建立硬件木马特征数据库，应用机器学习模型进行分类器的训练，使用训练好的分类器检测门级网表中可能被植入的硬件木马。该方法不需要纯净的黄金网表作为参考，当新类型的硬件木马出现时，可以通过更新特征数据库扩大检测范围，实现对新型木马的覆盖，因而得到广泛的研究。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005345
作者信息：
李林源，徐金甫，严迎建，刘燕江
（信息工程大学 信息安全重点实验室，河南 郑州 450000）
此内容为AET网站原创，未经授权禁止转载。