论文部分内容阅读
随着当今信息化社会的高速发展以及人工智能技术加速应用,人们对集成电路芯片的需求正日益剧增。但由于芯片设计制造环节过于复杂,芯片厂商无法对每个环节实现完全自主可控,这就为某些攻击者对集成电路实施恶意修改和破坏提供了可能。这种由攻击者蓄意制造并插入到芯片中,使芯片功能或性能发生改变并在某些情况特殊条件下触发的缺陷模块称为硬件木马。由于硬件木马对芯片安全造成的潜在威胁,国内外学者提出了多种硬件木马检测方法。其中基于失效性分析的检测方法具有很高的检测准确度,本文拟采用基于机器学习的失效性分析检测方法,但鉴于条件所限,无法短期内获得大量机器学习训练所需的逆向工程处理的芯片实际电路图像。针对这一局限性,本文将晶体管级版图图像和门级网表图像代替逆向工程图像,通过机器学习图像识别方法实现对晶体管级和门级硬件木马的检测。实验证明机器学习图像检测方法对这两种类型硬件木马具有较好的检测性能,侧面验证了基于机器学习的失效性分析检测方法的可行性。本文主要研究内容有以下几个方面:(1)为建立晶体管级硬件木马模型,对掺杂极性改动型硬件木马进行了研究并从中提取机器学习训练验证的图像集。首先对此类型硬件木马进行器件建模和仿真验证其正确性;其次以SMIC130标准单元版图库为基础,依据相应的版图设计规则设计了木马单元库;最后将木马模型在AES(Advanced Encryption Standard)载体电路上实现,通过自动定位方法提取156张标准AES和木马AES电路版图中的逻辑单元图像组成验证图像集,提取标准单元库和木马单元库中600张逻辑单元图像并做相似化处理后组成训练图像集。(2)分别研究了基于支持向量机和卷积神经网络的图像识别方法。对于支持向量机方法,分别提取图像的LBP特征(Local Binary Pattern)、SIFT特征(Scaleinvariant Feature Transform)、HOG特征(Histogram of Oriented Gradient),再将提取的图像特征送入支持向量机分类;对于基于卷积神经网络方法,构建网络模型并通过实验对比确定关键参数。最后对比两种方法在晶体管级版图图像集上的检测效率,其中卷积神经网络检测效率更高,单张版图图像检测时间为146ms,检测准确度为97.4%。(3)将Faster R-CNN(Region-based Convolution Neural Networks)的目标检测算法应用于门级网表图像的定位检测。首先针对门级硬件木马提出了降低触发概率、降低木马功耗和逻辑资源和木马可控3种设计策略,并根据设计策略设计了四种门级硬件木马结构。之后将设计的木马插入ISCAS89载体电路中,提取800张门级网表图像组成训练验证图像集。最后通过Faster R-CNN算法对门级网表图像集训练验证,得到98.0%的木马检测准确度和96.7%的木马分类定位准确度。