[发明专利]一种基于支持向量机的硬件木马检测判别方法

摘要

本发明涉及一种基于支持向量机的硬件木马检测方法，其技术特点在于：包括以下步骤：步骤1、采集母本芯片和木马芯片的旁路信号；步骤2、采用归一化映射对训练数据集和测试数据集进行归一化预处理；步骤3、采用训练数据集对两分类的支持向量机分类器进行训练，得到初始的硬件木马检测分类模型；步骤4、验证初始模型的分类效果；步骤5、采用K‑CV的交叉验证方法对初始的木马检测分类模型进行优化；步骤6、判定待测芯片是否有木马。本发明能较好地解决小样本、非线性、高维数等实际问题，该方法使用的信号采集和检测平台等硬件设备，成本低廉，且算法的效率和准确率高，能够更好地实现硬件木马的检测。

主权项

一种基于支持向量机的硬件木马检测方法，其特征在于：包括以下步骤：步骤1、采集母本芯片和木马芯片的旁路信号，生成标准芯片样本数据集和木马芯片样本数据集，并将该两组样本数据进行组合合并后，分别提取多组标准芯片和木马芯片数据样本作为训练数据集和测试数据集；步骤2、采用[0，1]区间归一化映射对训练数据集和测试数据集进行归一化预处理；$f:x\→y=\frac{x-xmin}{xmax-xmin}$其中，x代表输入样本，y代表分类结果，xmin为输入样本的最小值，xmax代表输入样本的最大值x,y∈Rⁿ；xmin＝min(x)；xmax＝max(x)；归一化的效果是原始数据被规整到[0，1]范围内，即y∈[0,1]；步骤3、采用训练数据集对两分类的支持向量机分类器进行训练，得到初始的硬件木马检测分类模型；步骤4、将测试数据集输入到初始的木马检测分类模型中，得到基于该模型的测试数据集的是否存在木马的两分类预测结果，将初始的木马检测分类模型的预测结果与已知的测试数据集所属芯片类别属性值做对比，并计算得到初始的木马检测分类模型的分类预测准确率，以验证初始模型的分类效果；步骤5、若步骤4计算得到的测试数据集分类预测准确率偏低，则采用K‑CV的交叉验证方法对初始的木马检测分类模型进行优化；步骤6、将待测芯片的采样数据集输入到优化完成的硬件木马检测分类模型中，可以直接判定该待测芯片是否有木马。