一种基于混合模式检验的硬件木马检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115994359A(43)申请公布日2023.04.21(21)申请号202211682134.7(22)申请日2022.12.26(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人周婉婷郑凯文李磊(74)专利代理机构成都虹盛汇泉专利代理有限公司51268专利代理师王伟(51)Int.Cl.G06F21/56(2013.01)G06F18/214(2023.01)G06F18/24(2023.01)G06N20/00(2019.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于混合模式检验的硬件木马检测方法(57)摘要本发明公开了一种基于混合模式检验的硬件木马检测方法，首先对RTL级电路设计进行逻辑综合，获得基于工艺库的门级网表，再对电路规模进行判断，根据待测电路的等效门数量判断电路规模并选择后续检测路线，若电路为大于10万门级的VLSI则先进行粗颗粒机器学习定位，再进行细颗粒结构匹配检验，若为小于10万门级的小型电路则直接进行细颗粒结构匹配检验，最后将检验结果与理想结果对比，得到硬件木马的判别与位置定位，完成木马电路的匹配与定位。本发明的方法利用物理信息可针对大规模集成电路门级网表检测，同时兼顾了小规模集成电路的门级网表检测，可以兼容任何芯片设计，不受工艺不同的影响，为未来的硬件木马剥离、维持芯片正常功能提供条件。CN115994359ACN115994359A权利要求书1/2页1.一种基于混合模式检验的硬件木马检测方法，具体步骤如下：S1、RTL级电路设计综合；S2、对电路规模进行判断，根据待测电路的等效门数量判断电路规模并选择后续检测路线；S3、基于步骤S2的判断结果，进行基于物理特征的粗颗粒机器学习定位；S4、基于步骤S2的判断结果，进行细颗粒结构匹配检验；S5、将检验结果与理想结果对比，得到硬件木马的判别与位置定位，完成木马电路的匹配与定位。2.根据权利要求1所述的一种基于混合模式检验的硬件木马检测方法，其特征在于，所述步骤S1中，对RTL级集成电路设计进行逻辑综合，获得基于工艺库的门级网表。3.根据权利要求1所述的一种基于混合模式检验的硬件木马检测方法，其特征在于，所述步骤S2中，针对待测电路的等效门数量判断规模，若电路为大于10万门级的VLSI则接下来先进行步骤S3粗颗粒机器学习定位，再进行步骤S4细颗粒结构匹配检验，若为小于10万门级的小型电路则跳过步骤S3粗颗粒机器学习定位，直接进行步骤S4细颗粒结构匹配检验。4.根据权利要求1所述的一种基于混合模式检验的硬件木马检测方法，其特征在于，所述步骤S3中，通过构建一个机器学习算法分类器，使用门级网表物理特征数据进行训练与调参，进行模块级的粗颗粒木马定位，具体如下：S31、物理特征数据集处理；分层级地提取步骤S1中获得的门级网表中的物理信息特征并进行打标签、降维、数据扩充、归一化等处理，将处理后的特征数据集记为D，其大小记为N，特征数目记为M；S32、构建机器学习算法分类器；构建的机器学习算法分类器的算法包括：RF随机森林算法、SVM支持向量机、KNNk‑最近邻算法等，以RF随机森林算法为例，采用Bagging算法从数据集D中有放回的取样N次，并随机选择m个物理特征(m＜M)，重复n次后可得到子样本集S＝{S1,S2,…Sn}，对每一个子样本集学习出的一个CART决策树记为T＝{T1,T2,…Tn}；S33、机器学习分类器训练；设决策树数量为n，子样本集特征数为m，决策树深度最大值为d，采用网格调参法，计算不同参数组合对训练数据集分类结果的F1‑measure评估指标F1：其中，TP表示正类判定为正类的样本数，FP表示负类判定为正类的样本数，FN表示正类判定为负类的样本数；根据模型评估结果，调整模型的超参数得到新的模型，重复训练‑评估‑超参数调整这一过程，多次迭代后获取F1‑measure评估值最高的一组参数，建立分类性能最佳的机器学习分类器；S34、粗颗粒模块检测；按步骤S31提取其特征数据集作为输入，通过步骤S33中调参好的机器学习模型进行木马检测，若顶层设计中检测到含有硬件木马，则再对其内部的各模块运用机器学习模型进行检测，找的硬件木马所在的模块，记为可疑模块；2CN115994359A权利要求书2/2页模型训练完成后，对可疑的待测电路RTL设计进行步骤S1的逻辑综合，将待检测的电路模块物理特征数据x输入到每个小分类器T中，得到分类结果R(x)＝{R1(x),R2(x),…Rn(x)}，计算：其中，H(x)表示随机森林分类器的最终分类结果，Ri(x)表示第i个分类结果，y1表示分类结果为1，即待测电路中有木马，y0表示分类结果为0，即