[发明专利]基于Bagging的硬件木马检测方法、介质、计算机

说明书

本发明属于电路设计领域，公开了一种基于Bagging的硬件木马检测方法、介质、计算机，从基于Verilog的门级网表文件中，提取硬件木马电路的有效特征矩阵；使用SMOTH技术对特征数据集进行预处理，从而平衡木马电路特征和普通电路特征的数量；利用LSTM神经网络模型建立基于Bagging集成方法的检测模型；使用构建好的Bagging集成木马检测模型对门级网表进行检测。本发明对门级网表的每个逻辑门和寄存器都进行特征提取和预测，可以精准确定木马电路在门级网表中的位置，便于设计人员对门级网表进行检查和修改。另外，这种特征提取方式并不需要整个网表信息，所以便于对局部网表电路进行木马检测。

技术领域

本发明属于电路设计领域，尤其涉及一种基于Bagging的硬件木马检测方法、介质、计算机。

背景技术

目前，集成电路产业的全球化对硬件安全提出了越来越多的挑战。例如，第三方提供的知识产权(IP)核和EDA工具被广泛应用于IC设计中，以降低开发成本，缩短营销周期。由于第三方IP核是并非是自己设计的，使用公司无法得到其内部具体电路。所以，竞争对手可以很容易地在IP核中插入一些恶意逻辑，即硬件木马。

硬件木马一般是大规模集成电路设计中的一个非常小的逻辑结构，通常硬件木马包含两个部分，即木马触发器和木马有效载荷。木马触发器负责监控信号，以确定触发信号是否已经到达。如果木马触发未被激活，硬件木马将处于休眠状态，不会对原电路产生影响。如果木马触发被激活，木马有效负载将执行特定的恶意操作，例如改变功能、降低性能和泄露秘密信息。硬件木马为了不被人发现，通常会将其触发器的触发条件设置的很苛刻，因此检测电路中的木马结构是非常具有挑战性的。另外，芯片在军事、金融或交通基础设施中的应用，导致硬件木马的威胁越发严重。通过上面所述，木马检测方法也更加重要。

现在机器学习在硬件木马检测方面的应用主要有6个方向，分别是逆向工程(Reverse Engineering Improvement)、实时检测HT(Real-Time Detection)、无黄金模型的方法(Golden Model-Free methods)、门级网表的木马检测(Gate-Level NetlistsDetection)和分类方法(Classification Approaches)。

近年来，机器学习被大量应用在门级网表的木马检测中，其中比较常见的机器学习模型有：SVM、K-means、随机森林等。虽然，机器学习的加入使得门级网表的木马检测的正确率有了很大的提升，但是传统机器学习模型的漏检率和误判率仍然很高。

通过上述分析，现有技术存在的问题及缺陷为：现有技术中硬件木马检测技术漏检率和误判率过高。

解决以上问题及缺陷的难度为：硬件木马往往隐藏在普通木马中，其利用触发概率小的节点逃避传统的检测方法。现有的机器学习的检测方法虽然效果有所提高，但仍然很难做到平均TPR大于80％，平均TNR大于95％。

解决以上问题及缺陷的意义为：本发明有效的提高了硬件木马的检测能力，从而提高了使用第三方IP的安全性。

发明内容

针对现有技术存在的问题，本发明提供了一种基于Bagging的硬件木马检测方法、介质、计算机。

本发明是这样实现的，一种基于Bagging的硬件木马检测方法，所述基于Bagging的硬件木马检测方法，包括以下步骤：

步骤一，从基于Verilog的门级网表文件中，提取硬件木马电路的有效特征矩阵；

作用：通过双向遍历该节点周围的边，得到该节点的特征矩阵作为模型的输入。通过对节点功能进行分类，将模型的输入特征矩阵控制在一个合理的大小内，从而降低了所需存储的空间，且提高了遍历计算的效率。

步骤二，使用SMOTH技术对特征数据集进行预处理，从而平衡木马电路特征和普通电路特征的数量；