李莹,,
陈岚
中国科学院微电子研究所EDA中心 北京 100029
基金项目:国家物联网与智慧城市重点专项对接(Z181100003518002)，北京市自然科学基金(4184106)，北京市科技专项(Z171100001117147)
详细信息
作者简介:佟鑫：女，1987年生，助理研究员，主要研究方向为物联网硬件安全与集成电路设计
李莹：女，1982年生，副研究员，主要研究方向为物联网硬件安全与集成电路设计
陈岚：女，1968年生，研究员，博士生导师，主要研究方向为计算机系统架构与集成电路设计、集成电路硬件安全
通讯作者:李莹 liying1@ime.ac.cn
1) 将正常组数据(Trojan Free, TF)标记为1，木马组(T1, T2, ···)数据为–1。2) 按照采样模式对数据进行分组抽样，每次抽出一部分木马数据做测试验证集，其余做训练集，测试集可选择未知标签的数据。3) 阈值A为用户期望达到的模型测试准确率阈值B是用户定义的数据组中木马个数的占比，用于判断该组数据是否为木马组。4) 阈值A为用户期望达到的模型测试准确率阈值B是用户定义的数据组中占比多数的数据是否为木马，用于判断该组数据是否为木马组。
中图分类号:TN406
计量
文章访问数:2509
HTML全文浏览量:1131
PDF下载量:57
被引次数:0
出版历程
收稿日期:2019-07-15
修回日期:2020-03-06
网络出版日期:2020-04-22
刊出日期:2020-07-23
Application of SVM Machine Learning to Hardware Trojan Detection Using Side-channel Analysis
Xin TONG,Ying LI,,
Lan CHEN
EDA Center of Institute of Microelectronics, Chinese Academy of Sciences, Beijing 100029, China
Funds:The National Internet of Things and Smart City Key Project Docking(Z181100003518002), The Natural Science Foundation of Beijing (4184106), The Beijing Science and Technology Project (Z171100001117147)
摘要
摘要:集成电路(ICs)面临着硬件木马(HTs)造成的严峻威胁。传统的旁路检测手段中黄金模型不易获得，且隐秘的木马可以利用固硬件联合操作将恶意行为隐藏在常规的芯片运行中，更难以检测。针对这种情况，该文提出利用机器学习支持向量机(SVM)算法从系统操作层次对旁路分析检测方法进行改进。使用现场可编程门阵列(FPGA)验证的实验结果表明，存在黄金模型时，有监督SVM可得到86.8%的训练及测试综合的平均检测准确率，进一步采用分组和归一化去离群点方法可将检测率提升4%。若黄金模型无法获得，则可使用半监督SVM方法进行检测，平均检测率为52.9%～79.5%。与现有同类方法相比，验证了SVM算法在指令级木马检测中的有效性，明确了分类学习条件与检测性能的关系。
关键词:硬件木马/
旁路检测/
支持向量机/
有监督学习/
半监督学习
Abstract:Integrated Circuits (ICs) are suffering severer threats caused by Hardware Trojans (HTs), some of which hide in routine operations by coercing firmware or hardware. Along with conventional side-channel detection not always getting golden-chip, HTs become more difficult to detect. An improved Support Vector Machine (SVM) machine learning frameworks for this is proposed using system-level side-channel analysis. Cross validation experimental results on Field Programmable Gate Array (FPGA) show that in the condition of golden-chip, supervised SVM achieves 85.8% test accuracy in average. After grouping, outlier-removing and normalization, it rises by 4%. Even if golden-chip is out of hand, semi-supervised SVM has accuracy to judge HTs existence, averaging in 52.9%-79.5% under different test modes. Comparing with existing researches, this work verifies the efficiency of SVM for HT detection in instruction level, and points out the relationship between diversified learning conditions with detection performance.
Key words:Hardware Trojan (HT)/
Side-channel analysis/
Support Vector Machine (SVM)/
Supervised learning/
Semi-supervised learning
注释:
1) 1) 将正常组数据(Trojan Free, TF)标记为1，木马组(T1, T2, ···)数据为–1。2) 按照采样模式对数据进行分组抽样，每次抽出一部分木马数据做测试验证集，其余做训练集，测试集可选择未知标签的数据。3) 阈值A为用户期望达到的模型测试准确率阈值B是用户定义的数据组中木马个数的占比，用于判断该组数据是否为木马组。
2) 4) 阈值A为用户期望达到的模型测试准确率阈值B是用户定义的数据组中占比多数的数据是否为木马，用于判断该组数据是否为木马组。
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=9a4edaa4-9808-4a69-be55-740d7c422431
