[發(fā)明專利]基于多參數(shù)相關(guān)性的硬件木馬檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710062807.1
• 申請(qǐng)日: 2017-01-25
• 公開（公告）號(hào): CN106845287A
• 公開（公告）日: 2017-06-13
• 發(fā)明（設(shè)計(jì)）人: 趙毅強(qiáng);劉燕江;解嘯天;高翔;劉阿強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué)
• 主分類號(hào): G06F21/76
• 分類號(hào): G06F21/76;G06F21/56
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所12201
• 代理人: 劉國威

1.一種基于多參數(shù)相關(guān)性的硬件木馬檢測(cè)方法，其特征是，步驟如下：

(1)旁路信息采集：利用旁路信息采集平臺(tái)對(duì)所有待測(cè)芯片進(jìn)行旁路測(cè)試，采集所有待測(cè)芯片在工作狀態(tài)下泄露的多個(gè)旁路信息；

(2)對(duì)待測(cè)芯片的旁路參數(shù)進(jìn)行相關(guān)性分析，構(gòu)建多參數(shù)相關(guān)性矩陣：對(duì)部分待測(cè)芯片的旁路信息進(jìn)行預(yù)處理，消除測(cè)試過程中存在的環(huán)境噪聲和測(cè)量噪聲，提取待測(cè)芯片的兩個(gè)或者多個(gè)旁路參數(shù)，利用相關(guān)性分析，分別計(jì)算多參數(shù)間的相關(guān)性，得到多參數(shù)間的相關(guān)性矩陣；

(3)部分芯片的相關(guān)性矩陣的差異判別：在步驟2的基礎(chǔ)上，抽取部分芯片的相關(guān)性矩陣?yán)美媒y(tǒng)計(jì)分析或者模式識(shí)別算法來分析多個(gè)待測(cè)芯片對(duì)應(yīng)的相關(guān)性矩陣的差異，提取彼此之間的差異特征，利用距離判別算法或者聚類分析算法來判別差異，將差異較大的樣本芯片篩選出來，并設(shè)定相關(guān)性差異閾值r_th；

(4)硬件木馬芯片辨識(shí)：將差異較大的樣本芯片進(jìn)行解剖分析，快速辨識(shí)硬件木馬芯片和非硬件木馬芯片；

(5)硬件木馬在線識(shí)別：利用步驟3所使用的統(tǒng)計(jì)分析或者模式識(shí)別算法計(jì)算由步驟4得到的非木馬芯片與其它待測(cè)芯片的相關(guān)性矩陣差異值r′_th，如果r′_th＜r_th，則認(rèn)定該芯片屬于非木馬芯片，否則認(rèn)定該芯片為硬件木馬芯片。

2.如權(quán)利要求1所述的基于多參數(shù)相關(guān)性的硬件木馬檢測(cè)方法，其特征是，判別算法為馬氏距離、歐式距離、夾角余弦距離或者Tanimoto測(cè)度中的一種，聚類分析算法為層次聚類、動(dòng)態(tài)聚類和模擬退火聚類中的一種。

3.如權(quán)利要求1所述的基于多參數(shù)相關(guān)性的硬件木馬檢測(cè)方法，其特征是，根據(jù)如下公式1，2，3：

$r_{IE}^{\′}=\frac{\underset{i=1}{\overset{n}{\Σ}}(I_{mi}-{\stackrel{\‾}{I}}_m)(E_{mi}-{\stackrel{\‾}{E}}_m)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(I_{mi}-{\stackrel{\‾}{I}}_m)}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(E_{mi}-{\stackrel{\‾}{E}}_m)}^2}}\≠\frac{\underset{i=1}{\overset{n}{\Σ}}(I_{ki}-{\stackrel{\‾}{I}}_k)(E_{ki}-{\stackrel{\‾}{E}}_k)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(I_{ki}-{\stackrel{\‾}{I}}_k)}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(E_{ki}-{\stackrel{\‾}{E}}_k)}^2}}\≠r_{IE}---\left(1\right)$

$r_{IH}^{\′}=\frac{\underset{i=1}{\overset{n}{\Σ}}(I_{mi}-{\stackrel{\‾}{I}}_m)(H_{mi}-{\stackrel{\‾}{H}}_m)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(I_{mi}-{\stackrel{\‾}{I}}_m)}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(H_{mi}-{\stackrel{\‾}{H}}_m)}^2}}\≠\frac{\underset{i=1}{\overset{n}{\Σ}}(I_{ki}-{\stackrel{\‾}{I}}_k)(H_{ki}-{\stackrel{\‾}{H}}_k)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(I_{ki}-{\stackrel{\‾}{I}}_k)}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(H_{ki}-{\stackrel{\‾}{H}}_k)}^2}}\≠r_{IH}---\left(2\right)$

$r_{HE}^{\′}=\frac{\underset{i=1}{\overset{n}{\Σ}}(H_{mi}-{\stackrel{\‾}{H}}_m)(E_{mi}-{\stackrel{\‾}{E}}_m)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(H_{mi}-{\stackrel{\‾}{H}}_m)}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(E_{mi}-{\stackrel{\‾}{E}}_m)}^2}}\≠\frac{\underset{i=1}{\overset{n}{\Σ}}(H_{ki}-{\stackrel{\‾}{H}}_k)(E_{ki}-{\stackrel{\‾}{E}}_k)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(H_{ki}-{\stackrel{\‾}{H}}_k)}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(E_{ki}-{\stackrel{\‾}{E}}_k)}^2}}\≠r_{IH}---\left(3\right)$

其中，n為芯片采集的次數(shù)，I_ki為非木馬芯片k第i次測(cè)量的電流值，非木馬芯片k所有測(cè)量的平均電流值，E_ki為非木馬芯片k第i次測(cè)量的電場(chǎng)強(qiáng)度，非木馬芯片k所有測(cè)量的平均電場(chǎng)強(qiáng)度，H_ki為非木馬芯片k第i次測(cè)量的磁場(chǎng)強(qiáng)度，非木馬芯片k所有測(cè)量的平均磁場(chǎng)強(qiáng)度，I_mi為非木馬芯片m第i次測(cè)量的電流值，非木馬芯片m所有測(cè)量的平均電流值，E_mi為非木馬芯片m第i次測(cè)量的電場(chǎng)強(qiáng)度，非木馬芯片m所有測(cè)量的平均電場(chǎng)強(qiáng)度，H_mi為非木馬芯片m第i次測(cè)量的磁場(chǎng)強(qiáng)度，非木馬芯片m所有測(cè)量的平均磁場(chǎng)強(qiáng)度，木馬芯片m的電流與電場(chǎng)強(qiáng)度的pearson相關(guān)系數(shù)為r′_IE，木馬芯片m的電流與磁場(chǎng)強(qiáng)度的pearson相關(guān)系數(shù)為r′_IH，木馬芯片m的磁場(chǎng)強(qiáng)度與電場(chǎng)強(qiáng)度的pearson相關(guān)系數(shù)為r′_HE，芯片消耗電流與發(fā)射電場(chǎng)強(qiáng)度的Pearson系數(shù)為r_IE，且|r_IE|≤1，芯片消耗電流與發(fā)射磁場(chǎng)場(chǎng)強(qiáng)度的Pearson系數(shù)為r_IH，且|r_IH|≤1，發(fā)射電場(chǎng)強(qiáng)度與磁場(chǎng)強(qiáng)度的Pearson系數(shù)為r_HE，且|r_HE|≤1；

由于木馬芯片和非木馬芯片對(duì)應(yīng)的旁路參數(shù)彼此之間存在相關(guān)性的差異，借助于差異判別算法提取出這種特征差異，從而實(shí)現(xiàn)硬件木馬的識(shí)別。