基于支持向量机的硬件木马检测建模与优化

doi:10.3969/j.issn.1671-1122.2017.08.005

信息网络安全 ›› 2017, Vol. 17 ›› Issue (8): 33-38.doi: 10.3969/j.issn.1671-1122.2017.08.005

基于支持向量机的硬件木马检测建模与优化

苏静^1,²(), 路文玲³, 赵毅强¹, 史艳翠²

1.天津大学微电子学院,天津 300072
2.天津科技大学计算机科学与信息工程学院,天津 300222
3.天津城市职业学院机电与信息工程系,天津 300250

收稿日期:2017-05-19 出版日期:2017-08-20 发布日期:2020-05-12
作者简介:
作者简介：苏静（1979—）,女,北京,副教授,博士研究生,主要研究方向为信息安全、智能信息处理;路文玲（1971—） ,女,天津,副教授,硕士,主要研究方向为电路设计、嵌入式系统;赵毅强（1964—） ,男,河北,教授,博士,主要研究方向为信息安全、硬件木马;史艳翠（1982—） ,女,河北,讲师,博士研究生,主要研究方向为智能信息处理。
基金资助:
国家自然科学基金 [61376032,61402331];天津市自然科学基金重点资助项目[12JCZDJC20500]

Research on Hardware Trojans Detection Based on Support Vector Machine

Jing SU^1,²(), Wenling LU³, Yiqiang ZHAO¹, Yancui SHI²

1. School of Microelectronics, Tianjin University 300072, China
2. College of Computer Science and Information Engineering, Tianjin University of Sci&Tech, Tianjin 300222, China
3. Department of Electronic Information Engineering, Tianjin City Vocational College, Tianjin 300250, China

Received:2017-05-19 Online:2017-08-20 Published:2020-05-12

摘要/Abstract

摘要：

文章在完成木马理论分析和电路设计的基础上,研究机器学习模式分类理论,并将其应用于集成电路侧信道信息的数据处理和分析,构建了基于支持向量机的硬件木马检测模型,同时通过交叉验证的方法进行模型优化。最终在自主设计的FPGA检测平台上进行基于功耗信息的实验验证,在标准电路中植入面积为0.69%的硬件木马,可以使得检测识别率达到98.64%。

关键词: 硬件木马, 侧信道分析, 支持向量机, 交叉验证

Abstract:

In this paper the hardware Trojans theory and circuit design are described firstly,then the machine learning pattern classification theory are studied and applied into the data processing and analysis of side channelin integrated circuits. The two classification detection model of the hardware Trojans will be set up based on Support Vector Machine, and the model will be optimized by Cross Validation method. Finally the experiments are implemented in FPGA platform. When the Trojan circuit of area 0.69% is implanted into the standard circuit, the detection and recognition rate can reach the value of 98.64% according to the CV algorithm.

Key words: hardware Trojans, side-channel analysis, support vector machine, cross validation

中图分类号:

TP309

苏静, 路文玲, 赵毅强, 史艳翠. 基于支持向量机的硬件木马检测建模与优化[J]. 信息网络安全, 2017, 17(8): 33-38.

Jing SU, Wenling LU, Yiqiang ZHAO, Yancui SHI. Research on Hardware Trojans Detection Based on Support Vector Machine[J]. Netinfo Security, 2017, 17(8): 33-38.

图/表 7

图1

图2

图3

图4

图5

图6

图7

参考文献 17

[1]	KARRI R, RAJENDRAN J, ROSENFELD K, et al.Toward Trusted Hardware: Identifying and Classifying Hardware Trojans[J].Computer, 2011, 44(7):66-74.
[2]	CLARK J, LEBLANC S, KNIGHT S.Hardware Trojan Horse Device Based on Unintended Usb Channels[C]//IEEE. NSS '09 Proceedings of the 2009 Third International Conference on Network and System Security,October 19 - 21, 2009,Gold Coast, Queensland, Australia. New York:IEEE, 2009 :1-8.
[3]	CLARK J,LEBLANC S,Knight S.Risks Associated with USB Hardware Trojan Devices Used by Insiders[C]// IEEE. 2011 5th IEEE International Systems Conference,April 4-7,2011,Montreal, QC, Canada. New York:IEEE,2011:201-208.
[4]	KARRI R,RAJENDRAN J,ROSENFELD K, et al.Trustworthy Hardware: Identifying and Classifying Hardware Trojans[J].Computer, 2010, 43(10):39-46.
[5]	BANGA M,HSIAO M S.A Region Based Approach for the Identification of Hardware Trojans[C]// IEEE. HST '08 Proceedings of the 2008 IEEE International Workshop on Hardware-Oriented Security and Trust,June 9, 2008,Anaheim, CA, USA. Washington: IEEE Computer Society, 2008:40-47.
[6]	WANG X X,SALMANI H,TEHRANJPOOR M,et al.Hardware Trojan Detection and Isolation Using Current Integration and Localized Current Analysis[C]//IEEE. 2012 IEEE International Symposium on Defect and Fault Tolerance in VLSI and Nanotechnology Systems,October 1-3, 2008,Boston, MA, USA.New York:IEEE,2008:87-95.
[7]	AGRAWAL D,BAKTIR S,ARAKOYUNLU D, et al.Trojan Detection Using IC Fingerprinting[C]// IEEE .IEEE Symposium on Security and Privacy,May 20 - 23, 2007 ,Berkeley, CA, USA. New York:IEEE,2007:296-310.
[8]	张鹏,王新成,周庆.基于投影寻踪分析的芯片硬件木马检测[J].通信学报,2013,34(4):122-126.
[9]	刘长龙,赵毅强,史亚峰,等.基于相关性分析的硬件木马检测方法[J].计算机工程,2013, 39(9):183-185.
[10]	王力纬,贾鲲鹏,方文啸,等.基于马氏距离的硬件木马检测方法[J].微电子学,2013(6):817-820.
[11]	赵毅强,杨松,何家骥,等.基于主成分分析的硬件木马检测方法[J].华中科技大学学报(自然科学版), 2015, 43(8):66-69.
[12]	刘长龙,赵毅强,史亚峰,等.基于侧信道分析的硬件木马的建模与优化[J].华中科技大学学报(自然科学版), 2013, 41(2):53-57.
[13]	吴晓萍,赵学靖,乔辉,等.基于LASSO-SVM的软件缺陷预测模型研究[J].计算机应用研究,2013,43(8):66-69.
[14]	刘长龙. 基于侧信道分析的硬件木马检测方法研究[D].天津:天津大学,2013.
[15]	王庆,屠晨阳,沈嘉荟. 侧信道攻击通用框架设计及应用[J]. 信息网络安全,2017(5):57-62.
[16]	冯紫竹. 基于侧信道分析的硬件木马检测平台设计[D].天津:天津大学,2013.
[17]	周昱,于宗光. 硬件木马威胁与识别技术综述[J]. 信息网络安全,2016(1):11-17.

基于支持向量机的硬件木马检测建模与优化

Research on Hardware Trojans Detection Based on Support Vector Machine

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价

[1]	戴立, 胡红钢. 免触发信号的侧信道加解密区间定位方法[J]. 信息网络安全, 2019, 19(3): 43-51.
[2]	胡建伟, 赵伟, 闫峥, 章芮. 基于机器学习的SQL注入漏洞挖掘技术的分析与实现[J]. 信息网络安全, 2019, 19(11): 36-42.
[3]	和湘, 刘晟, 姜吉国. 基于机器学习的入侵检测方法对比研究[J]. 信息网络安全, 2018, 18(5): 1-11.
[4]	宋金伟, 杨进, 李涛. 基于加权支持向量机的Domain Flux僵尸网络域名检测方法研究[J]. 信息网络安全, 2018, 18(12): 66-71.
[5]	苏静, 赵毅强, 张中伟, 谢艳芳. 基于侧信道分析的硬件木马检测方法[J]. 信息网络安全, 2017, 17(11): 19-24.
[6]	张谦, 高章敏, 刘嘉勇. 基于Word2vec的微博短文本分类研究[J]. 信息网络安全, 2017, 17(1): 57-62.
[7]	宋伟, 杨培, 于京, 姜薇. 基于视觉语义概念的暴恐视频检测[J]. 信息网络安全, 2016, 16(9): 12-17.
[8]	周昱, 于宗光. 硬件木马威胁与识别技术综述[J]. 信息网络安全, 2016, 16(1): 11-17.
[9]	张晓惠, 林柏钢. 基于平衡二叉决策树SVM算法的物联网安全研究[J]. 信息网络安全, 2015, 15(8): 20-25.
[10]	戚名钰, 刘铭, 傅彦铭. 基于PCA的SVM网络入侵检测研究[J]. 信息网络安全, 2015, 15(2): 15-18.
[11]	. 扫描电压对硬件木马检测影响分析[J]. , 2014, 14(7): 7-.
[12]	. 基于区域性构建支持向量机模型的空域水印算法[J]. , 2014, 14(2): 32-.
[13]	晁沛;周亚建. 基于区域性构建支持向量机模型的空域水印算法[J]. , 2014, 14(2): 0-0.
[14]	宋健豪;赵刚;宋君易. 基于离线检测的SVMNIDS模式研究[J]. , 2012, 12(9): 0-0.
[15]	黄华军;钱亮;王耀钧. 基于异常特征的钓鱼网站URL检测技术[J]. , 2012, 12(1): 0-0.