[發明專利]基于神經網絡的硬件木馬檢測方法

在審

• 申請號: 201711114865.0
• 申請日: 2017-11-13
• 公開（公告）號: CN108052840A
• 公開（公告）日: 2018-05-18
• 發明（設計）人: 趙毅強;解嘯天;劉燕江;高翔
• 申請（專利權）人: 天津大學
• 主分類號: G06F21/76
• 分類號: G06F21/76;G06N3/04;G06N3/08;G01R31/28
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種基于神經網絡的硬件木馬檢測方法，其特征是，利用訓練神經網絡算法來處理旁路信息，從而實現硬件木馬的識別，其中神經網絡為自組織神經網絡，是無監督的神經網絡，采用無教師的學習方式，通過尋找輸入樣本中的內在規律，不斷地對網絡參數進行自動修正，實現對輸入樣本的自動分類，其網絡學習規則采用競爭學習，自組織神經網絡的輸出神經元通過相互競爭來獲取對于輸入樣本的響應機會，同一時刻只有一個神經元勝出并通過競爭獲得勝利；結構上，自組織神經網絡只包含兩層神經元，第一層為輸入層，第二層為競爭層即輸出層，兩層之間神經元間實現全互連。

2.如權利要求1所述的基于神經網絡的硬件木馬檢測方法，其特征是，具體步驟如下：

步驟1：旁路信息采集平臺搭建：由FPGA芯片、數字示波器、電流信息采集探頭、電磁信息采集探頭、信號放大器、高精度固定平臺以及計算機組成，用于測量電路工作過程中的電壓、電流、功耗、電磁等信息；

步驟2：原始電路信息采集：將不含硬件木馬的原始電路下載至FPGA芯片中，利用旁路信息采集平臺采集其工作過程中的功耗信息，共采集1000個周期的實驗數據，每個周期采集1000個數據點；

步驟3：神經網絡訓練：利用matlab實現自組織神經網絡，其輸入層包含1000個神經元，競爭層包含2個神經元，利用步驟2中的1000組測試數據對神經網絡進行訓練；

步驟4：待測電路數據測量：對待測的功耗信息進行采集，僅需采集1組數據，該組數據需包含1000個點；

步驟5：數據區分：將待測電路數據設置為步驟3中訓練好的神經網絡的輸入數據，觀察輸出結果，若輸出結果與原始數據一致，認為待測電路△不含硬件木馬，反之則認為其中含有硬件木馬成分。

3.如權利要求1所述的基于神經網絡的硬件木馬檢測方法，其特征是，具體訓練過程如下：

a)權連接初始化，對所有從輸入結點到輸出結點的連接權值賦予隨機的小數，置時間計數t＝0；

b)對網絡輸入模式xk＝(x1,x2,…,xn)，n＝1000，Xk分別表示1000組測試數據，xi則表示每組數據中的1000個點；

c)計算輸入與全部輸出結點所連接向量的距離dj：

d j = Σ i = 1 n ( x i k - w i j ) 2 , i = { 1 , 2 , ... , n } , j ∈ { 1 , 2 , ... , m } ]]>

式中wij表示設定的輸出節點；

d)具有最小距離的結點Nj競爭獲勝；

e)調整輸出結點j*所連接的權值Nj*及幾何鄰域NEj*內的結點所連權值

Δw i j = η ( t ) ( x i k - w i j ) , N j ∈ NE j * ( t ) , i ∈ { 1 , 2 , ... , n } ]]>

其中η(t)是訓練時間t和鄰域內第j個神經元與獲勝神經元Nj*之間的拓撲距離N的函數；

f)重復步驟b-e，直至1000組數據訓練完畢。

4.如權利要求3所述的基于神經網絡的硬件木馬檢測方法，其特征是，步驟4：待測電路數據測量：對待測的功耗信息進行采集，僅需采集1組數據，該組數據需包含1000個點。