基于旁路信息融合的集成电路硬件木马的检测方法、装置和设备与流程
本技术涉及集成电路设计与制造安全,特别是涉及一种基于旁路信息融合的集成电路硬件木马的检测方法、装置和设备。
背景技术:
1、随着集成电路设计与制造分离以及第三方ip核的使用,芯片制造的各个环节均面临被恶意篡改的风险。硬件木马作为能够被攻击者植入原始电路的恶意电路,不仅能改变芯片的功能、性能,甚至能够泄露信息,丧失功能。当植入硬件木马的集成电路应用在军事系统、金融等高安全需求领域时,将会产生极大的安全威胁。因此在芯片使用前,对其进行检测,识别剔除被植入硬件木马的芯片对于保障上述领域的安全具有重要的意义。
2、传统技术中,可以采用功能测试的方式对集成电路进行检测。其中,功能测试方式先自动生成测试向量,在芯片的输入端施加测试向量得到测试输出,再确定测试输出是否与规范一致来检测硬件木马。
3、然而,由于硬件木马通常具备极强的隐蔽性,仅在特定的非功能性触发条件下才能改变输出状态,常规的功能测试难以激活此类硬件木马,存在较高的漏检风险。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种基于旁路信息融合的集成电路硬件木马的检测方法、装置和设备。通过同时处理功耗、电磁两种旁路信息,能够覆盖增加和/或减小逻辑门植入、修改版图植入等多类硬件木马类型,具有覆盖硬件木马类型多、具有检测效率高的特点,能够在芯片应用前剔除硬件木马芯片,保障信息系统的安全。
2、第一方面,本技术提供了一种基于旁路信息融合的集成电路硬件木马的检测方法,包括:
3、获取目标芯片的功耗信息和电磁信息;
4、利用预先训练的特征提取模型对功耗信息进行多维特征提取处理,得到中间功耗特征,并对中间功耗特征进行特征长度调整,得到目标功耗特征,以及对电磁信息进行多维特征提取处理,得到中间电磁特征,并对中间电磁特征进行特征长度调整,得到目标电磁特征;
5、根据目标功耗特征和目标电磁特征确定融合特征;
6、利用预先训练的分类模型对融合特征进行检测处理,得到检测结果;其中,检测结果用于表征目标芯片中是否存在集成电路木马。
7、在其中一个实施例中,特征提取模型包括金字塔池化层、降维层和特征分布调整层,对中间功耗特征进行特征长度调整,得到目标功耗特征,包括:
8、将中间功耗特征输入至金字塔池化层中,提取不同时间尺度的局部波形信息,并对多个时间尺度的局部波形信息进行拼接处理,得到第一功耗特征;
9、将第一功耗特征输入至降维层进行降维处理,得到第二功耗特征;
10、将第二功耗特征输入至特征分布调整层进行分布规范化处理,得到特征长度调整后的目标功耗特征。
11、在其中一个实施例中,降维层包括第一全连接层、丢弃层和第二全连接层,将第一功耗特征输入至降维层进行降维处理,得到第二功耗特征,包括:
12、将第一功耗特征输入至第一全连接层进行特征维度压缩处理,进行降维处理,得到一次降维后的功耗特征;
13、将一次降维后的功耗特征输入至丢弃层进行随机失活处理,得到随机失活后的功耗特征;
14、将随机失活后的功耗特征输入至第二全连接层进行特征维度压缩处理,得到第二功耗特征。
15、在其中一个实施例中,特征分布调整层包括批量归一化成和正则化层,将第二功耗特征输入至特征分布调整层,得到特征长度调整后的目标功耗特征,包括:
16、将第二功耗特征输入至批量归一化层进行归一化处理,得到分布归一化后的功耗特征;
17、将分布归一化后的功耗特征输入至正则化层进行正则化约束,得到特征长度调整后的目标功耗特征。
18、在其中一个实施例中,利用预先训练的特征提取模型对功耗信息进行多维特征提取处理,得到中间功耗特征,包括:
19、根据功耗信息设置特征提取模型的模型参数;
20、将功耗信息输入至已设置模型参数的特征提取模型中进行多次卷积操作,得到中间功耗特征。
21、在其中一个实施例中,特征提取模型的训练过程包括:
22、获取样本功耗集和样本电磁集;
23、基于样本功耗对基础提取模型进行模型训练,得到特征提取模型,其中,特征提取模型中的模型参数用于提取功耗特征;
24、基于样本电磁集对基础提取模型进行模型训练,得到特征提取模型,其中,特征提取模型中的模型参数用于提取电磁特征。
25、在其中一个实施例中,根据目标功耗特征和目标电磁特征确定融合特征,包括:
26、根据预先建立的功耗电磁对应关系,将目标功耗特征映射处理为查询向量,将目标电磁特征映射处理为键向量和值向量;
27、基于查询向量与键向量之间的相似度,确定目标功耗特征与目标电磁特征之间的注意力权重;
28、根据注意力权重对值向量进行加权融合处理,得到融合特征。
29、在其中一个实施例中,获取目标芯片的功耗信息和电磁信息,包括:
30、获取目标芯片中的采样电阻的电压信号,将电压信号作为功耗信息;采样电阻串联于目标芯片的电源回路中;
31、获取磁场探头采集的电磁场感应电压信号,将电磁场感应电压信号作为电磁信息;磁场探头设置于目标芯片表面。
32、第二方面,本技术还提供了一种基于旁路信息融合的集成电路硬件木马的检测装置,包括:
33、信息获取模块,用于获取目标芯片的功耗信息和电磁信息;
34、特征提取模块,用于利用预先训练的特征提取模型对功耗信息进行多维特征提取处理,得到中间功耗特征,并对中间功耗特征进行特征长度调整,得到目标功耗特征,以及对电磁信息进行多维特征提取处理,得到中间电磁特征,并对中间电磁特征进行特征长度调整,得到目标电磁特征;
35、特征融合模块,用于根据目标功耗特征和目标电磁特征确定融合特征;
36、木马检测模块,用于利用预先训练的分类模型对融合特征进行检测处理,得到检测结果;其中,检测结果用于表征目标芯片中是否存在集成电路木马。
37、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
38、获取目标芯片的功耗信息和电磁信息;
39、利用预先训练的特征提取模型对功耗信息进行多维特征提取处理,得到中间功耗特征,并对中间功耗特征进行特征长度调整,得到目标功耗特征,以及对电磁信息进行多维特征提取处理,得到中间电磁特征,并对中间电磁特征进行特征长度调整,得到目标电磁特征;
40、根据目标功耗特征和目标电磁特征确定融合特征;
41、利用预先训练的分类模型对融合特征进行检测处理,得到检测结果;其中,检测结果用于表征目标芯片中是否存在集成电路木马。
42、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
43、获取目标芯片的功耗信息和电磁信息;
44、利用预先训练的特征提取模型对功耗信息进行多维特征提取处理,得到中间功耗特征,并对中间功耗特征进行特征长度调整,得到目标功耗特征,以及对电磁信息进行多维特征提取处理,得到中间电磁特征,并对中间电磁特征进行特征长度调整,得到目标电磁特征;
45、根据目标功耗特征和目标电磁特征确定融合特征;
46、利用预先训练的分类模型对融合特征进行检测处理,得到检测结果;其中,检测结果用于表征目标芯片中是否存在集成电路木马。
47、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
48、获取目标芯片的功耗信息和电磁信息;
49、利用预先训练的特征提取模型对功耗信息进行多维特征提取处理,得到中间功耗特征,并对中间功耗特征进行特征长度调整,得到目标功耗特征,以及对电磁信息进行多维特征提取处理,得到中间电磁特征,并对中间电磁特征进行特征长度调整,得到目标电磁特征;
50、根据目标功耗特征和目标电磁特征确定融合特征;
51、利用预先训练的分类模型对融合特征进行检测处理,得到检测结果;其中,检测结果用于表征目标芯片中是否存在集成电路木马。
52、上述基于旁路信息融合的集成电路硬件木马的检测方法、装置和设备。通过分别获取目标芯片的功耗信息与电磁信息,并利用特征提取模型分别对二者进行多维特征提取与特征长度调整,该特征提取方案能够捕捉集成电路硬件木马处于静默状态时产生的微小物理层特征,有效规避了隐蔽木马难以激活的缺陷,为后续特征融合提供了标准化的数据基础。进一步的,根据目标功耗特征与目标电磁特征确定融合特征,能够自适应地挖掘功耗与电磁信息之间的深层非线性关联,实现了异构信息的优势互补,使得融合特征具备更强的判别性与鲁棒性,解决了单一旁路信号易受环境噪声干扰、表征能力不足的问题。最后,利用预先训练的分类模型对融合特征进行检测处理,该预先训练的分类模型基于训练阶段学习到的判别基准对融合特征进行检测,通过判别基准判断统计分布是否异常就可以识别出任何偏离常态的异常特征,从而发现隐蔽的集成电路木马,上述方案有效克服了集成电路硬件木马隐蔽性强、常规功能测试难以激活且漏检率高的难题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com