[发明专利]基于机器学习的门级网表中硬件木马定位方法

说明书

本发明公开了一种基于机器学习的门级网表中硬件木马检测与定位方法，主要解决现有技术中硬件木马定位精度与效率低，且需要理想模型作为参考的问题。其实现方案是：将样本中的集成电路划分为多个极大输出子模块，提取其特征向量构建数据集；使用交叉验证法对现有机器学习模型进行训练得到分类器；利用分类器对一个待测集成电路进行木马检测；基于逐层差异分析的木马搜索方法对检测得到的含有硬件木马的极大输出子模块进行木马定位。本发明以极大输出子模块为单位进行机器学习，显著提高了分类器的性能和对木马的检测准确率；通过对比分析极大输出子模块，提高了门级网表中木马电路的定位精度和效率，可用于集成电路门级网表设计中的硬件木马防护。

技术领域

本发明属于集成电路技术领域，特别涉及一种门级网表中硬件木马检测与定位方法，可用于集成电路门级网表设计阶段对硬件木马防护。

背景技术

硬件木马是一种可在集成电路设计与制造过程中的任一阶段植入的恶意电路，其实际应用已经影响到一些关键领域，如移动通信、医疗、航天航空、民生基建，以至于国家安全。目前，针对硬件木马的防护措施主要集中在非破坏性检测上，本质思想是利用植入硬件木马后某些特征的变化来判定某个集成电路是否植入硬件木马。非破坏性硬件木马检测按选取的集成电路特征所处的阶段的不同，可分为动态检测和静态检测。

动态检测通过观测集成电路运行阶段的特征，如通过功耗、路径时延这些旁路参数来判定是否植入硬件木马。在硬件木马的影响下，集成电路运行阶段的某些特征变化比较明显，容易观测，所以动态检测通常能获得较高的检测准确率。然而，动态检测方法通常需要精心选取测试向量的取值集合，在集成电路输入引脚较多时实施难度大，耗费时间长。

静态检测通过提取集成电路设计阶段的特征，如扇入、环形结构数来判定是否植入硬件木马。静态检测无需设计完好集成电路，便于分阶段、分模块地检测硬件木马。而且，静态检测无需实际运行集成电路，自然也无需测试向量。然而，集成电路在设计阶段的大多数特征通常需要花费与电路规模正相关的时间来提取，并且难以保证这些特征与硬件木马的相关性，导致检测准确率较低。

公开号为CN 110287735A的专利文献中公开一种“基于芯片网表特征的木马感染电路识别方法”，其包括提取节点SCOAP度量值、利用k-means++聚类网络检测可疑节点集、结合芯片网表的拓扑结构修正可疑节点集、通过节点可达分析还原木马触发节点。该方法由于缺乏对稀有节点与普通节点混合作为木马触发节点的考虑，容易漏检接入了大量普通节点的木马，且该方法耗时过长，准确率较低。

公开号为CN 114065308A的专利文献中公开“一种基于深度学习的门级硬件木马定位方法及系统”，其包括提取门级网表信息、构建特征路径集、利用TextCNN进行检测和定位。该方法由于路径特征构建时间较长，且与普通路径特征区分不明显，故木马检测准确性较低。

公开号为CN 109740348A的专利文献中公开“一种基于机器学习的硬件木马定位方法”，其包括门级网表特征提取、划分硬件木马类型、分别利用Ove-class SVM和BPNN进行检测和定位。该方法在预处理阶段对硬件木马类型的划分较为困难，且容易对木马网线产生误定位。

综上，目前已有的硬件木马检测与定位方法仍然存在硬件木马定位精度与效率低、且需要理想模型作为参考的不足。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于机器学习的门级网表中硬件木马定位方法，以在无需参考理想模型的条件下，提高硬件木马的定位精度和效率。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)将样本中的集成电路划分为多个极大单输出子模块；

(2)以集成电路中的每个极大单输出子模块为单位进行特征提取构成数据集，并按7：3的比例划分为训练集和测试集；

(3)使用交叉验证的方法训练机器学习模型，得到训练好的分类器；