隨著網(wǎng)絡和信息技術的迅速發(fā)展,信息安全需求不斷提高,信息安全日益受到人們的關注和重視。硬件木馬相對于傳統(tǒng)的軟件惡意代碼更加危險,其位于系統(tǒng)核心層,具有很強的隱蔽性,集成電路特別是安全芯片目前的主要危害來自硬件木馬。同時隨著集成電路規(guī)模的增大,以及硬件木馬的種類越來越多,應用環(huán)境越來越復雜,芯片設計越來越巧妙,植入技術越來越多樣化,導致硬件木馬相對于原始母本電路的影響越來越小。已有的檢測識別方法越來越無法有效地檢測出微小硬件木馬的存在。本文在完成木馬理論分析和電路設計的基礎上,研究特征提取技術和機器學習模式分類理論,并將其應用于集成電路側信道信息的數(shù)據(jù)處理和分析,構建了基于分類決策的硬件木馬兩級分類檢測系統(tǒng)。其中將距離測度法應用于硬件木馬分類檢測的第一級分類器結構,將支持向量機模式分類器應用于硬件木馬檢測的第二級分類器結構。距離測度分類法計算簡單,所需存儲器少,檢測速度快,可以實現(xiàn)硬件木馬的第一級粗分類檢測識別。針對芯片的功耗信息,提出了基于距離測度分布情況、最（K）近鄰測度法、改進的近鄰測度法三種檢測方法,并分別進行了FPGA平臺驗證,在標準電路芯片中分別植入面積為3.333%、1.5... 

【文章頁數(shù)】：139 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景
        1.1.1 硬件木馬的發(fā)展
        1.1.2 硬件木馬的危害
    1.2 研究目的和意義
    1.3 國內外研究現(xiàn)狀
        1.3.1 國外研究現(xiàn)狀和進展
        1.3.2 國內研究現(xiàn)狀和進展
    1.4 本文的主要工作
        1.4.1 論文的研究內容
        1.4.2 論文的結構安排
        1.4.3 論文的主要創(chuàng)新點
第2章 硬件木馬檢測平臺設計
    2.1 硬件木馬基礎研究
        2.1.1 硬件木馬概念
        2.1.2 硬件木馬的分類
        2.1.3 硬件木馬設計
        2.1.4 硬件木馬檢測及防護技術
    2.2 載體電路與木馬電路設計
    2.3 硬件木馬檢測平臺
        2.3.1 檢測平臺整體架構
        2.3.2 硬件平臺設計
    2.4 硬件木馬檢測方案
    2.5 本章小節(jié)
第3章 模式識別相關基礎理論
    3.1 模式識別概論
        3.1.1 模式和模式識別
        3.1.2 模式識別的基本方法
        3.1.3 模式識別系統(tǒng)
    3.2 線性判別分析
        3.2.1 線性判別函數(shù)
        3.2.2 線性分離器
        3.2.3 近鄰分離器
    3.3 特征提取和選擇算法
        3.3.1 概述
        3.3.2 特征抽取方法
        3.3.3 特征選擇算法
    3.4 機器學習
        3.4.1 邏輯推理
        3.4.2 統(tǒng)計學習理論與支持向量機方法
        3.4.3 深度學習理論與方法
        3.4.4 聚類學習方法在硬件木馬檢測中的應用
    3.5 本章小節(jié)
第4章 基于距離測度分類法的硬件木馬檢測判別
    4.1 模型相似性和距離測度法
        4.1.1 模式相似性測度
        4.1.2 距離測度
    4.2 基于距離分布的硬件木馬分類檢測模型
        4.2.1 檢測背景
        4.2.2 模型建立
        4.2.3 實驗驗證
    4.3 基于近鄰法的硬件木馬分類檢測模型
        4.3.1 檢測背景
        4.3.2 模型建立
        4.3.3 具體實現(xiàn)
    4.4 基于改進的最近鄰距離測度法的硬件木馬分類檢測模型
        4.4.1 模型建立
        4.4.2 算法實現(xiàn)
        4.4.3 實驗結果
    4.5 本章小節(jié)
第5章 基于支持向量機的硬件木馬分類檢測模型
    5.1 基于支持向量機(SVM)的硬件木馬檢測分類模型
        5.1.1 檢測背景
        5.1.2 模型建立
        5.1.3 具體實現(xiàn)
        5.1.4 結果分析
    5.2 基于交叉驗證的參數(shù)優(yōu)化
        5.2.1 交叉驗證方法
        5.2.2 基于交叉驗證的SVM分類檢測模型
        5.2.3 具體實現(xiàn)
        5.2.4 實現(xiàn)結果
    5.3 基于遺傳算法(GA)的參數(shù)尋優(yōu)
        5.3.1 基于遺傳算法(GA)的SVM分類檢測模型
        5.3.2 利用GA優(yōu)化SVM參數(shù)算法
        5.3.3 模型的具體實現(xiàn)
        5.3.4 實現(xiàn)結果
    5.4 基于粒子群算法的參數(shù)尋優(yōu)
        5.4.1 基于粒子群算法(PSO)的SVM分類檢測模型
        5.4.2 利用PSO優(yōu)化SVM參數(shù)算法
        5.4.3 模型的具體實現(xiàn)
        5.4.4 實現(xiàn)結果
    5.5 本章小結
第6章 總結與展望
    6.1 工作總結
    6.2 工作展望
參考文獻
發(fā)表論文和參加科研情況說明
致謝


【參考文獻】：
期刊論文
[1]基于側信道分析的硬件木馬建模與優(yōu)化[J]. 劉長龍,趙毅強,史亞峰,馮紫竹.  華中科技大學學報(自然科學版). 2013(02)
[2]硬件木馬技術研究綜述[J]. 牛小鵬,李清寶,王煒,張丹.  信息工程大學學報. 2012(06)
[3]PCA、ICA和Gabor小波決策融合的SAR目標識別[J]. 宦若虹,張平,潘赟.  遙感學報. 2012(02)
[4]一種自適應權值的PCA算法[J]. 楊開睿,孟凡榮,梁志貞.  計算機工程與應用. 2012(03)
[5]基于主成分分析的人臉個體差異識別算法[J]. 龔劬,盧力,廖武忠.  計算機工程. 2012(01)
[6]基于旁路分析的集成電路芯片硬件木馬檢測[J]. 趙崇征,鄧高明,趙強.  微電子學與計算機. 2011(11)
[7]硬件木馬綜述[J]. 劉華鋒,羅宏偉,王力緯.  微電子學. 2011(05)
[8]新情況下的特殊武器——硬件木馬[J]. 任立儒.  中國電子科學研究院學報. 2011(02)
[9]SoC門級功耗分析方法[J]. 徐永釗,田祖?zhèn)?陽若寧,姚麗娜,李洪濤,曾志峰.  通信技術. 2011(02)
[10]主成分分析法和Fisher判別方法在汽油分類分析過程中的應用[J]. 王榮輝,宗若雯,王正洲,廖光煊.  中國科學技術大學學報. 2006(12)

博士論文
[1]超深亞微米CMOS集成電路功耗估計方法及相關算法研究[D]. 陳志強.浙江大學 2006

碩士論文
[1]基于模型檢驗的固件惡意代碼檢測技術研究[D]. 謝曉東.解放軍信息工程大學 2012
[2]數(shù)據(jù)降維技術的建模研究與應用[D]. 申中華.江南大學 2008
[3]面向全定制與半定制混合設計方法的噪聲分析與設計[D]. 王延寧.國防科學技術大學 2008



本文編號：3704760