電磁側(cè)信道信息具有非接觸、三維矢量、空間及頻譜信息豐富等優(yōu)點,可以進一步提高硬件木馬的檢測效率,基于電磁側(cè)信道分析的硬件木馬檢測技術(shù)逐漸成為主流方法 .因此,以電磁側(cè)信道信息為研究對象,融合高斯濾波算法和K最鄰近算法提取并識別出硬件木馬的微小特征,建立高精度微米級集成電路電磁側(cè)信道采集平臺,并采集敏感區(qū)域的電磁側(cè)信道信息.利用高斯算法自適應(yīng)地濾除測試中的高斯噪聲影響,借助K最鄰近算法的相似度測度來提取硬件木馬的特征.實驗結(jié)果表明,提出的檢測方法可以有效地檢測出面積占比為0. 76%的硬件木馬. 

【文章來源】：南京大學(xué)學(xué)報(自然科學(xué)). 2020,56(02)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

硬件木馬檢測流程

對芯片的電磁信息進行采集和降噪預(yù)處理，并將非木馬芯片和木馬芯片的電磁信息組成2×50的樣本矩陣.取前20列樣本為訓(xùn)練集，取后30列樣本為驗證集，非木馬芯片的屬性定義為“1”，木馬芯片的屬性定義為“2”.用K最鄰近算法對待測芯片進行分類，本次實驗所選K值為5，圖4（左）為分類結(jié)果，其中1～30號為非木馬芯片，31～60號為木馬芯片.通過計算可知硬件木馬電路檢測的準(zhǔn)確率為90%.接著選用主成分分析法對所采集的數(shù)據(jù)進行分類，以此來驗證本文提出的檢測方法的有效性.主成分分析算法檢測硬件木馬首先對采集到的電磁信息進行降維，然后利用馬氏距離進行判別分析，識別并檢測出硬件木馬，分類結(jié)果如圖4（右）所示，該方法檢測硬件木馬的準(zhǔn)確率為88%.實驗結(jié)果表明本文提出的方法可以更有效地實現(xiàn)小面積硬件木馬的檢測.圖4 硬件木馬檢測結(jié)果：K最鄰近算法（左）；主成分分析算法（右）

為了有效采集集成電路輻射的電磁側(cè)信道信息，并高效率地檢測硬件木馬，本文搭建了一個高精密的硬件木馬檢測平臺，該平臺的整體框架如圖1所示，其中硬件部分由以下八部分組成：計算機，是硬件木馬檢測平臺的核心，控制整個平臺的運行；MSO4054高性能數(shù)字示波器，用于采集待測電路板運行狀態(tài)下輻射的電磁信息，采樣頻率高達2.5 GS·s-1；待測芯片，被固定在三維位移臺上，產(chǎn)生觸發(fā)信號觸發(fā)示波器采集電路板表面的電磁信息；電磁探頭，主要用來探測近場電磁信息，分辨率可達2 mm；前置放大器，其作用是放大電磁探頭探測到的電磁輻射信息；工業(yè)相機，用于采集視場內(nèi)待測芯片以及外圍電路的圖像信息，對采集的圖像進行處理和分析，確定三維基準(zhǔn)點；控制器，主要作用是產(chǎn)生所需要的脈沖信號，通過脈沖信號控制三維位移臺的移動距離以及移動速度；三維位移臺，控制待測電路板在X,Y,Z三個方向的自由移動，可以完成電磁強點的定位以及全芯片的掃描.上位機軟件部分采用LabVIEW進行編程設(shè)計[17]，本文以集成電路的電磁信息作為研究對象，采集電磁信息的精度和速率直接決定了硬件木馬檢測的精度和速率，并且硬件木馬檢測實驗需要大量的數(shù)據(jù)作為支撐，為了提高電磁信息采集的精度、降低數(shù)據(jù)采集時間成本，設(shè)計了圖像采集、移動控制、電磁信息采集這三個模塊，通過LabVIEW與MATLAB聯(lián)合編程，完成電磁信息預(yù)處理和硬件木馬識別.2.2 硬件木馬檢測流程

【參考文獻】：
期刊論文
[1]基于多元正態(tài)分析的硬件木馬檢測研究[J]. 張陽,全厚德,李雄偉,陳開顏.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2018(01)
[2]基于GPIB的數(shù)字電路自動測試系統(tǒng)研究[J]. 靳取,方暉,柏業(yè)超.  南京大學(xué)學(xué)報(自然科學(xué)). 2016(06)



本文編號：3394663