[发明专利]基于机器学习的混合模式多层级的门级硬件木马检测方法

说明书

本发明公开了基于机器学习的混合模式多层级的门级硬件木马检测方法，属于计算、推算或计数的技术领域。首先，在第一层级本申请通过分析门级木马电路的结构和特性，提出两种有效的木马电路特征并结合传统的木马特征，通过机器学习算法对待测可疑电路实施静态检测，初步分离出木马电路和正常电路。然后，在第二层级本申请提出两种扫描链结构的木马特征，并使用扫描链检测方法继续对第一级分离出的正常电路进行静态检测。最后，对第二级分离出的正常电路进行动态检测，综合三层级的检测结果得到最终的木马电路。相比于传统的门级硬件木马检测方法，本申请结合了静态检测方法与动态检测方法，通过多层级结构更加全面高效地对待测可疑电路进行检测。

技术领域

本发明公开了基于机器学习的混合模式多层级的门级硬件木马检测方法，涉及硬件安全领域，属于计算、推算或计数的技术领域。

背景技术

近年来，随着半导体行业的兴起和全球化，硬件安全问题成为继软件安全问题之后的又一大难题。所以，如何检测出电路中的木马电路是一个需要高度关注的问题。

目前，门级硬件木马检测主要分为静态检测和动态检测两种。动态检测方法是在施加外部激励的情况下，通过观察模拟电路或实际电路来检测木马，这种方式需激活木马电路才可以观察到木马电路的行为，但木马电路不易触发且触发方式多数是较为隐蔽的，所以需要建立相应的测试激励来触发木马模块。而静态检测方法不需要对电路进行仿真测试，只利用木马电路与正常电路的差异来静态地区分木马电路和正常电路，但该方法很难检测出基于顺序电路的硬件木马并且很难应用于大规模集成电路设计。动态检测在针对顺序触发木马和不可观测木马方面相对静态检测更有优势，而静态检测在组合触发、隐式触发、可观测性木马上有较大优势。本申请旨在通过动态检测与静态检测相结合的方式对硬件木马进行检测，有效地提高了硬件木马检测的结果，为硬件木马检测方法提供一条新的思路。

发明内容

本发明的发明目的是针对上述背景技术中静态检测和动态检测存在的缺点，提出了基于机器学习的混合模式多层级的门级硬件木马检测方法，通过静态检测和动态检测相结合的多层次检测有效提高识别硬件木马电路的准确率，解决了静态木马检测方法很难检测出基于顺序电路的硬件木马且难以应用于大规模集成电路设计的技术问题。

本发明为实现上述发明目的采用如下技术方案：

基于机器学习的混合模式多层级的门级硬件木马检测方法，具体包括如下7个步骤，步骤S1至S5为第一层级静态特征木马检测，步骤S6为第二层级静态扫描链特征木马检测，步骤S7为第三层级动态特征木马检测。

步骤S1：分析硬件木马电路静态特征，从两种新的静态木马电路提取两类新的静态木马特征，并结合传统的静态木马特征形成静态木马特征集。

步骤S2：对待测电路门级网表进行文本预处理。

步骤S3：依据静态木马特征集，通过文本匹配的方式对经过文本预处理的待测电路门级网表进行特征提取，得到特征数据集。

步骤S4：对步骤S3得到的特征数据集进行归一化处理，将处理后的特征数据集作为训练数据送入分类器进行训练，通过机器学习算法得到最佳特征数据集。

步骤S5：采用交叉验证的方式将多个待测电路分为训练集和测试集，这样可以避免测试集在分类器训练过程中因未曾被学习而导致实验结果不科学、不客观。交叉验证的方法为：假设测试集中有14种待测电路时，需要进行14次实验，每次将14种待测电路中的一种电路作为测试集，其余13种电路的特征数据集都作为训练集。使用机器学习分类器对训练集进行训练，得到最佳训练模型对测试集进行静态检测。

步骤S6：对第一层级机器学习算法检测得到的正常电路继续进行扫描链检测：通过分析硬件木马电路在扫描链电路存在的特征，提出两种基于扫描链结构的硬件木马特征，并采用文本匹配的方式从第一层检测得到的正常电路的门级网表中提取出扫描链结构特征。