《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 基于優(yōu)化型支持向量機(jī)算法的硬件木馬檢測(cè)
基于優(yōu)化型支持向量機(jī)算法的硬件木馬檢測(cè)
2018年電子技術(shù)應(yīng)用第11期
張 磊,殷夢(mèng)婕,肖超恩,,董有恒
北京電子科技學(xué)院 電子與信息工程系,,北京100071
摘要: 目前基于側(cè)信道的分析方法是硬件木馬檢測(cè)的主要研究方向。為提高側(cè)信道分析時(shí)的準(zhǔn)確率和檢測(cè)速度,提出了基于優(yōu)化型支持向量機(jī)的分類方法。首先利用主成分分析技術(shù)對(duì)功耗數(shù)據(jù)進(jìn)行處理,降低數(shù)據(jù)特征相關(guān)性,;然后通過(guò)遺傳算法提高懲罰系數(shù)和核函數(shù)參數(shù)的選擇;最后進(jìn)行硬件木馬分類器的構(gòu)建,。實(shí)驗(yàn)結(jié)果表明,,優(yōu)化型SVM方法提高了硬件木馬分類器的檢測(cè)速度和準(zhǔn)確率,可以有效檢測(cè)出面積為0.1%的硬件木馬,,準(zhǔn)確率最高可以提升15.6%,,時(shí)間消耗減少98.1%。
中圖分類號(hào): TN918
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.180581
中文引用格式: 張磊,,殷夢(mèng)婕,,肖超恩,等. 基于優(yōu)化型支持向量機(jī)算法的硬件木馬檢測(cè)[J].電子技術(shù)應(yīng)用,,2018,,44(11):17-20.
英文引用格式: Zhang Lei,Yin Mengjie,,Xiao Chaoen,,et al. Hardware trojan detection based on the optimized SVM algorithm[J]. Application of Electronic Technique,2018,,44(11):17-20.
Hardware trojan detection based on the optimized SVM algorithm
Zhang Lei,,Yin Mengjie,Xiao Chaoen,,Dong Youheng
Department of Electronic Information Engineering,,Beijing Electronics Science&technology Institute,Beijing 100071,,China
Abstract: The main research direction of hardware trojan detection is based on the side channel analysis. This paper proposes an optimized support vector machine(SVM) classification method to improve the accuracy and speed when analyzing the data for detection hardware trojan. Firstly, the principal component analysis is used for data dimension reduction. Then, genetic algorithm is used to accelerate the selection of optimal penalty coefficient and kernel function parameters. Finally, the hardware trojan detection classifier is built with SVM. Experimental results show that the optimized SVM method improves the detection speed and accuracy, and can effectively detect hardware trojans with the area of 0.1%,the accuracy can be increased by 15.6%,,and the time consumption can be reduced by 98.1%.
Key words : hardware trojan,;support vector machine;principal component analysis,;genetic algorithm,;trojan classifier

0 引言

    由于芯片設(shè)計(jì)和制造過(guò)程的全球化,,集成電路變得更易受到惡意更改和攻擊,,用戶也更難以把控集成電路供應(yīng)鏈中的各個(gè)環(huán)節(jié)。硬件木馬可以操縱掩碼改變?cè)O(shè)計(jì)網(wǎng)表,,植入惡意邏輯電路,,而不影響設(shè)計(jì)的主要功能。芯片在RTL設(shè)計(jì)代工階段各環(huán)節(jié)都有可能被植入硬件木馬,,在軍事,、金融、政府等部門造成嚴(yán)重危害,。

    硬件木馬檢測(cè)方法多種多樣,,包括物理檢測(cè)、邏輯測(cè)試,、側(cè)信道分析等,。其中側(cè)信道分析[1]是通過(guò)對(duì)比和分析待測(cè)芯片與模板芯片運(yùn)行時(shí)所產(chǎn)生的功耗、時(shí)延和電磁輻射等側(cè)信道信息的方法,,實(shí)現(xiàn)硬件木馬的檢測(cè),。鑒于側(cè)信道分析準(zhǔn)確率高、速度快和價(jià)格低的優(yōu)點(diǎn),,側(cè)信道分析逐漸成為硬件木馬檢測(cè)研究的主要方向[2],。文獻(xiàn)[3]運(yùn)用歐式距離相關(guān)分類法進(jìn)行硬件木馬的分類識(shí)別。文獻(xiàn)[4]通過(guò)主成分分析(Principal Component Analysis,,PCA)對(duì)數(shù)據(jù)進(jìn)行降維處理,,通過(guò)馬氏距離方法進(jìn)行硬件木馬檢測(cè)。文獻(xiàn)[5]提出了一種構(gòu)建自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行硬件木馬檢測(cè),。文獻(xiàn)[6]提出了一種能快速激活并能定位以低活躍度信號(hào)為觸發(fā)木馬的方法,。

    因此,本文提出了一種基于支持向量機(jī)(Support Vector Machine,,SVM)的硬件木馬檢測(cè)方法,,通過(guò)PCA解決樣本特征值之間相關(guān)的問(wèn)題,利用遺傳算法(Genetic Algorithm,,GA)對(duì)所需核函數(shù)參數(shù)和懲罰因子無(wú)法動(dòng)態(tài)獲取的問(wèn)題進(jìn)行了優(yōu)化,。實(shí)驗(yàn)表明,優(yōu)化型SVM方法提高了硬件木馬分類器的檢測(cè)準(zhǔn)確率和檢測(cè)速度,。

1 基于分類的硬件木馬檢測(cè)方法

    因硬件木馬芯片工作時(shí)存在功耗異常,,在特定環(huán)境下多次采集其工作功耗,,通過(guò)與模板功耗的對(duì)比,可進(jìn)行硬件木馬的檢測(cè),?;诜诸惖挠布抉R檢測(cè)方法如圖1所示。

wdz5-t1.gif

    在基于分類的硬件木馬檢測(cè)中,,可采用距離判別分析方法[7],。其中歐氏距離判別法對(duì)噪聲干擾較為敏感,需要采用多條功耗取均值的方法進(jìn)行預(yù)處理,,但也存在觸發(fā)木馬時(shí)的功耗被掩蓋的問(wèn)題,;而馬氏距離雖受噪聲影響較小,但在應(yīng)用時(shí)會(huì)受到樣本維度的限制,。

    此外,,樸素貝葉斯算法利用概率統(tǒng)計(jì)進(jìn)行分類,其檢測(cè)準(zhǔn)確率表現(xiàn)良好,,但時(shí)間消耗過(guò)高[8],;而BP神經(jīng)網(wǎng)絡(luò)算法在使用時(shí)會(huì)存在過(guò)度擬合的缺陷[9]

    SVM算法是一種機(jī)器學(xué)習(xí)方法,,在解決小樣本,、非線性及高維模式識(shí)別中,表現(xiàn)出了獨(dú)特的優(yōu)勢(shì)[10],。因此,,本文結(jié)合側(cè)信道的信息特點(diǎn),首先從中提取訓(xùn)練集和測(cè)試集,,然后通過(guò)優(yōu)化型SVM分類器來(lái)預(yù)測(cè)測(cè)試集中的標(biāo)識(shí)屬性,,最后達(dá)到提高硬件木馬檢測(cè)的準(zhǔn)確率和檢測(cè)速度的目的。

2 硬件木馬分類器設(shè)計(jì)

    本文設(shè)計(jì)的優(yōu)化型SVM分類器主要由3個(gè)核心部分構(gòu)成:PCA降維處理模塊,、GA算法模塊和SVM分類器模塊,。模塊的運(yùn)行與連接方式如圖2所示。

wdz5-t2.gif

    在獲取側(cè)信道數(shù)據(jù)后,,首先提取部分?jǐn)?shù)據(jù)作為訓(xùn)練集,,然后利用PCA對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,接著采用GA對(duì)SVM參數(shù)尋優(yōu),,最后根據(jù)得到的懲罰因子c和核函數(shù)參數(shù)值g構(gòu)建優(yōu)化型SVM硬件木馬分類器,。分類器中主要模塊實(shí)現(xiàn)如下:

    (1)PCA降維處理

    考慮到要處理的側(cè)信道數(shù)據(jù)量較大且存在噪聲,所以選擇采用PCA方法降低冗余,,精煉數(shù)據(jù),,從而加快分類器處理速度,具體實(shí)現(xiàn)步驟如圖3所示。

wdz5-t3.gif

    PCA是一種簡(jiǎn)單有效的特征提取方法,。通過(guò)線性變換將原始樣本變換為一組各維度線性無(wú)關(guān)的表示,,使得到的各變量在彼此不相關(guān)的前提下盡可能多地反映原始樣本所包含的信息。

    (2)關(guān)鍵參數(shù)優(yōu)化

    SVM算法的兩個(gè)關(guān)鍵參數(shù)懲罰因子c和核函數(shù)參數(shù)值g的初值一般由人工選取,,而導(dǎo)致的最終訓(xùn)練結(jié)果不一定最優(yōu),,因此本設(shè)計(jì)中采用GA算法進(jìn)行參數(shù)尋優(yōu),以提高參數(shù)選擇的可靠性和準(zhǔn)確性,。

    GA算法基本思想簡(jiǎn)單,,實(shí)現(xiàn)步驟規(guī)范,具有實(shí)用高效,、魯棒性強(qiáng)等優(yōu)點(diǎn),。利用GA算法進(jìn)行啟發(fā)式優(yōu)化搜索的主要過(guò)程如圖4所示,。

wdz5-t4.gif

    (3)基于SVM的分類器

    在側(cè)信道數(shù)據(jù)分類時(shí),,每條特征曲線代表一個(gè)訓(xùn)練樣本,每個(gè)訓(xùn)練樣本中有多個(gè)屬性,,因此硬件木馬檢測(cè)實(shí)際上是對(duì)多維數(shù)據(jù)進(jìn)行分類,,故本文選擇SVM構(gòu)建分類模型。

    SVM是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法,,其泛化準(zhǔn)確率高,,計(jì)算效率高,結(jié)果易解釋,。其具體實(shí)現(xiàn)步驟如下:首先在低維空間中完成計(jì)算,,然后通過(guò)核函數(shù)將輸入空間映射到高維特征空間,最終在高維特征空間中構(gòu)造出最優(yōu)分離超平面,,從而把平面上難以分離的非線性數(shù)據(jù)劃分開,。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)環(huán)境

    基于FPGA的硬件木馬側(cè)信道采集分析平臺(tái)如圖5所示,平臺(tái)主要包括PC,、FPGA板,、示波器、電源和采樣探頭5個(gè)部分,,能夠完成對(duì)芯片運(yùn)行時(shí)所產(chǎn)生的功耗信息的采集和傳輸功能,。

wdz5-t5.gif

    側(cè)信道平臺(tái)搭建的主要過(guò)程為:

    (1)通過(guò)ISCAS’89基準(zhǔn)測(cè)試電路完成原始功能,并設(shè)計(jì)三種資源占比不同的硬件木馬植入載體電路,。其中木馬1,、木馬2、木馬3的資源占比約為原始電路的0.1%,、0.2%,、0.3%。

    (2)采用Altera EP4CE6E22C8作為實(shí)驗(yàn)芯片,利用FPGA測(cè)試板下載線將工程下載至芯片,。在芯片的電源引腳上連接電阻,,利用Tektronix DPO7104C示波器的差分探頭連接電阻兩端。

    (3)多次對(duì)標(biāo)準(zhǔn)芯片及待測(cè)芯片進(jìn)行采集,,通過(guò)LAN通信傳輸至PC端,,得到兩類功耗數(shù)據(jù)。其采樣頻率為10 Gb/s,,采樣點(diǎn)數(shù)為1 000,,每類芯片采樣2 000條。

    (4)在PC端,,利用標(biāo)準(zhǔn)芯片功耗信息建立模板,,使用MATLAB編寫,進(jìn)行木馬檢測(cè)性能驗(yàn)證,。

3.2 實(shí)驗(yàn)結(jié)果與分析

3.2.1 PCA數(shù)據(jù)降維

    在利用PCA進(jìn)行數(shù)據(jù)降維時(shí),,必須考慮所得到的各主成分所對(duì)應(yīng)的方差百分比和累積方差百分比,圖6給出了前100個(gè)主成分的貢獻(xiàn)率情況,。

wdz5-t6.gif

    可以看出,,大部分方差都包含在較前的主成分中,舍棄貢獻(xiàn)率很低的主成分并不會(huì)損失很多有用信息,,但能夠大幅度減少運(yùn)算量,,降低時(shí)間開銷。

3.2.2 GA參數(shù)尋優(yōu)

    由于核函數(shù)參數(shù)和懲罰因子在很大程度上決定著SVM的分類精度,,而人工選取的方式效率較低且精度不足,,利用GA進(jìn)行參數(shù)尋優(yōu)的結(jié)果如圖7所示,c和g分別是懲罰因子和核函數(shù)最優(yōu)參數(shù)值,。

wdz5-t7.gif

    可以看出,,通過(guò)GA算法選取的最優(yōu)參數(shù)在三種木馬植入情況下的適應(yīng)度均明顯高于平均適應(yīng)度,由此證實(shí)了GA用于SVM參數(shù)優(yōu)化的有效性,。

3.2.3 優(yōu)化結(jié)果

    為驗(yàn)證優(yōu)化算法的有效性,,分別利用傳統(tǒng)型SVM和優(yōu)化型SVM構(gòu)建分類器,對(duì)三種不同大小的硬件木馬進(jìn)行識(shí)別,。隨機(jī)選取木馬芯片和模板芯片的功耗信息各1 000條作為訓(xùn)練樣本,,對(duì)分類器進(jìn)行訓(xùn)練,再用分類器對(duì)4 000條待測(cè)芯片進(jìn)行分類,,統(tǒng)計(jì)分類結(jié)果和優(yōu)化后的性能提升幅度,。結(jié)果如表1所示。

wdz5-b1.gif

    可以看出,,經(jīng)過(guò)優(yōu)化后的SVM所構(gòu)建的分類器性能明顯優(yōu)于傳統(tǒng)SVM,,經(jīng)過(guò)PCA降維處理后,不僅時(shí)間消耗大幅減少,而且還能濾除數(shù)據(jù)中的部分無(wú)用信息,,提升判別效率,;利用遺傳算法對(duì)SVM進(jìn)行參數(shù)尋優(yōu),使得分類器能夠以最佳參數(shù)運(yùn)行,,與傳統(tǒng)人工選擇參數(shù)的方式相比,,參數(shù)選擇更加準(zhǔn)確和科學(xué),經(jīng)過(guò)優(yōu)化,,基于SVM的硬件木馬分類器的分類性能最高可以提升15.6%,,時(shí)間消耗減少98.1%,。

    此外,,SVM分類準(zhǔn)確率與木馬的尺寸有關(guān),木馬占用率越大,,準(zhǔn)確率越高,,與預(yù)期情況相符,,當(dāng)木馬占用率為0.1%時(shí),仍具有81.03%的準(zhǔn)確率,,可以有效識(shí)別出芯片中所植入硬件木馬,。

3.3 木馬檢測(cè)性能分析

    對(duì)于硬件木馬檢測(cè)而言,性能測(cè)試主要在兩方面:檢測(cè)準(zhǔn)確率及檢測(cè)時(shí)間,。本文選取了基于主成分分析的歐式距離[3]、馬氏距離[4]以及樸素貝葉斯[8]和BP神經(jīng)網(wǎng)絡(luò)[9]等方法為對(duì)比實(shí)驗(yàn)對(duì)象,,以此來(lái)評(píng)估優(yōu)化型SVM硬件木馬檢測(cè)方法的性能,。設(shè)置相同的實(shí)驗(yàn)條件,性能對(duì)比結(jié)果如表2所示,。

wdz5-b2.gif

    據(jù)實(shí)驗(yàn)結(jié)果可以看出,,無(wú)監(jiān)督型的檢測(cè)算法由于其規(guī)則、算法復(fù)雜度等因素在檢測(cè)時(shí)間上要優(yōu)于監(jiān)督型算法,。監(jiān)督型算法耗時(shí)較長(zhǎng),,但是在準(zhǔn)確率上要高于無(wú)監(jiān)督型算法。本文提出的優(yōu)化型SVM算法,,經(jīng)過(guò)PCA的預(yù)處理以及GA 算法的參數(shù)尋優(yōu)后,,在檢測(cè)速度上與歐式距離和馬氏距離相比耗時(shí)較長(zhǎng),但與樸素貝葉斯和BP神經(jīng)網(wǎng)絡(luò)相比有大幅提高,。同時(shí)在準(zhǔn)確率方面比其他監(jiān)督型算法高,。

4 結(jié)論

    本文提出了一種基于優(yōu)化型SVM算法的硬件木馬分類器。首先采集功耗曲線建立樣本庫(kù),,然后利用PCA降維技術(shù)減少無(wú)用信息與分類器構(gòu)建時(shí)間,,再以GA算法提高SVM最優(yōu)參數(shù)的選取效率和準(zhǔn)確性能,最后利用優(yōu)化型的SVM分類器進(jìn)行硬件木馬檢測(cè)。實(shí)驗(yàn)表明,,在未經(jīng)均值降噪處理的情況下,,本文提出的方法與傳統(tǒng)SVM方法相比,硬件木馬檢測(cè)準(zhǔn)確率提升了9%,,對(duì)2 000組數(shù)據(jù)的分類耗時(shí)僅為0.75 s,;與其他硬件木馬檢測(cè)方法相比,本文提出的方法在檢測(cè)準(zhǔn)確率和檢測(cè)時(shí)間均有提高,?! ?/p>

參考文獻(xiàn)

[1] 周昱,于宗光.硬件木馬威脅與識(shí)別技術(shù)綜述[J].信息網(wǎng)絡(luò)安全,,2016(1):11-17.

[2] 倪林,,李少青,馬瑞聰,,等.硬件木馬檢測(cè)與防護(hù)[J].數(shù)字通信,,2014,41(1):59-63.

[3] 王建新,,王柏人,,曲鳴,等.基于改進(jìn)歐式距離的硬件木馬檢測(cè)[J].計(jì)算機(jī)工程,,2017,,43(6):92-96.

[4] CUI Q,SUN K,,WANG S,,et al.Hardware trojan detection based on cluster analysis of mahalanobis distance[C].International Conference on Intelligent Human-Machine Systems and Cybernetics.IEEE,2016.

[5] ZHAO Y,,LIU S,,HE J,et al.Hardware trojan detection technology based on self-organizing competition neural network[J].Journal of Huazhong University of Science and Technology(Natural Science Edition),,2016(2):51-55.

[6] 裴根,,石朝陽(yáng),鄒雪城,,等.一種基于快速激活的硬件木馬檢測(cè)法[J].電子技術(shù)應(yīng)用,,2016,42(8):63-66.

[7] 楊松.基于主成分分析的硬件木馬檢測(cè)技術(shù)研究[D].天津:天津大學(xué),,2016.

[8] 王建新,,王柏人,曲鳴,,等.基于樸素貝葉斯分類器的硬件木馬檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用研究,,2017,,34(10):3073-3076.

[9] 馬瑞聰,馬虓,,李俊.基于BP神經(jīng)網(wǎng)絡(luò)的硬件木馬檢測(cè)方法[J].電信技術(shù)研究,,2017(2):22-28.

[10] 王振武,孫佳駿,,于忠義,,等.基于支持向量機(jī)的遙感圖像分類研究綜述[J].計(jì)算機(jī)科學(xué),2016,,43(9):11-17.




作者信息:

張  磊,,殷夢(mèng)婕,肖超恩,,董有恒

(北京電子科技學(xué)院 電子與信息工程系,,北京100071)

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。