硬件木馬給集成電路芯片的可靠性帶來巨大威脅,為此,提出一種基于主成分分析(PCA)和長短時(shí)記憶(LSTM)神經(jīng)網(wǎng)絡(luò)的硬件木馬檢測方法。利用PCA提取側(cè)信道信息中的電流特征向量,并利用該特征向量訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)分類器,使該分類器達(dá)到識別硬件木馬的目的。實(shí)驗(yàn)結(jié)果表明,該方法能對木馬進(jìn)行有效識別,且能檢測出木馬面積占總電路面積比為0.74%的硬件木馬。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1LSTM神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetwork,RNN),其具有時(shí)間遞歸的性質(zhì),適用于處理時(shí)序相關(guān)的問題,解決了RNN難以解決的時(shí)間序列長期依賴、梯度爆炸和梯度消失等問題。由于本文用來檢測硬件木馬的側(cè)道信息是時(shí)序相關(guān)的電流信息,因此可以....

圖2本文檢測方法的主要流程

本文檢測方法的主要流程如圖2所示。其中,每一步的具體操作如下:

圖3LSTM神經(jīng)網(wǎng)絡(luò)運(yùn)算圖

本文的LSTM神經(jīng)網(wǎng)絡(luò)只包含一個(gè)LSTM層,且LSTM層內(nèi)的節(jié)點(diǎn)數(shù)為128個(gè)。在LSTM層后添加一層節(jié)點(diǎn)數(shù)為128、激活函數(shù)為Relu的全連接神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)層,對該全連接層的每個(gè)輸出節(jié)點(diǎn)以0.15的概率進(jìn)行Dropout,以....

圖4本文分類器在測試集和驗(yàn)證集上的分類結(jié)果

本文檢測方法在測試集test_s9234和驗(yàn)證集valid_s9234上對于每一個(gè)待測電路的分類結(jié)果如圖4所示。由圖4可知,在木馬插入位置相同的測試集上,檢測準(zhǔn)確率為100.00%,本文提出的分類器可有效識別木馬電路,因此不再單獨(dú)列出s9234_1s27、s9234_2s27、s....

本文編號：3890318