[發明專利]一種基于機器學習的硬件木馬定位方法

有效

• 申請號: 201910084520.8
• 申請日: 2019-01-29
• 公開（公告）號: CN109740348B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 董晨;張凡;郭文忠;陳景輝;賀國榮
• 申請（專利權）人: 福州大學
• 主分類號: G06F21/56
• 分類號: G06F21/56
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種基于機器學習的硬件木馬定位方法，其特征在于，包括以下步驟：

步驟S1:從若干待測芯片的門級網表中提取電路候選特征；

步驟S2:根據電路候選特征將待測芯片分為控制信號型芯片和信息泄露性芯片；

步驟S3:控制信號型芯片和信息泄露性芯片均隨機選擇一個芯片的電路候選特征作為訓練數據，剩余的芯片電路候選特征作為測試數據；

步驟S4:構建一個BP神經網絡，并使用控制信號型芯片的訓練數據訓練，得到訓練后的BP神經網絡；

步驟S6:構建一個Oneclasssvm分類器,并使用信息泄露性芯片的訓練數據訓練，得到訓練后的Oneclasssvm分類器；

步驟S7:將控制信號型芯片的測試數據輸入訓練后的BP神經網絡，將信息泄露性芯片測試數據輸入訓練后的Oneclasssvm分類器，得到測試結果；

步驟S8:將測試結果與理想結果對比，得到硬件木馬的位置定位；所述電路候選特征包括木馬線網特征和正常線網特征；

理想結果：就是用來測試的 電路中線網的實際情況，即 木馬線網的理想結果是1，正常電路線網的理想結果是0。

2.根據權利要求1所述的基于機器學習的硬件木馬定位方法，其特征在于：所述S4具體為：

步驟S41:對所有的層2≤l≤L,設權重ΔW^(l)＝0,設偏置Δb^(l)＝0，這里ΔW^(l)＝0和Δb^(l)＝0分別為全零矩陣和全零向量；

步驟S42:使用反向傳播算法，計算各層神經元中節點i的權值和偏置的梯度矩陣

1)計算

2)計算

α為學習速率，它的取值范圍為(0,1)；

E是m個訓練樣本的誤差函數，

E(i)是單個樣本的訓練誤差，

d_k(i)為輸出層第k個輸出的期望值，y_k(i)為輸出層第k個輸出的實際值，m為訓練樣本數量；

步驟S43:更新權值和偏置：

1)計算

2)計算

3.根據權利要求1所述的基于機器學習的硬件木馬定位方法，其特征在于：所述Oneclasssvm分類器具體模型為：

約束于(ω·Φ(x_i))≥ρ-ξ_i，ξ_i≥0；

Φ是x_i到F的映射，l是觀察值的數量，i∈[l],ξ是非零松弛變量，ω和ρ是要求的值，v∈[0，1]為訓練誤差。