基于分类决策的侧信道硬件木马检测方法研究

发布时间：2022-11-09 19:29

　　随着网络和信息技术的迅速发展,信息安全需求不断提高,信息安全日益受到人们的关注和重视。硬件木马相对于传统的软件恶意代码更加危险,其位于系统核心层,具有很强的隐蔽性,集成电路特别是安全芯片目前的主要危害来自硬件木马。同时随着集成电路规模的增大,以及硬件木马的种类越来越多,应用环境越来越复杂,芯片设计越来越巧妙,植入技术越来越多样化,导致硬件木马相对于原始母本电路的影响越来越小。已有的检测识别方法越来越无法有效地检测出微小硬件木马的存在。本文在完成木马理论分析和电路设计的基础上,研究特征提取技术和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,构建了基于分类决策的硬件木马两级分类检测系统。其中将距离测度法应用于硬件木马分类检测的第一级分类器结构,将支持向量机模式分类器应用于硬件木马检测的第二级分类器结构。距离测度分类法计算简单,所需存储器少,检测速度快,可以实现硬件木马的第一级粗分类检测识别。针对芯片的功耗信息,提出了基于距离测度分布情况、最（K）近邻测度法、改进的近邻测度法三种检测方法,并分别进行了FPGA平台验证,在标准电路芯片中分别植入面积为3.333%、1.5... 

【文章页数】：139 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景
        1.1.1 硬件木马的发展
        1.1.2 硬件木马的危害
    1.2 研究目的和意义
    1.3 国内外研究现状
        1.3.1 国外研究现状和进展
        1.3.2 国内研究现状和进展
    1.4 本文的主要工作
        1.4.1 论文的研究内容
        1.4.2 论文的结构安排
        1.4.3 论文的主要创新点
第2章 硬件木马检测平台设计
    2.1 硬件木马基础研究
        2.1.1 硬件木马概念
        2.1.2 硬件木马的分类
        2.1.3 硬件木马设计
        2.1.4 硬件木马检测及防护技术
    2.2 载体电路与木马电路设计
    2.3 硬件木马检测平台
        2.3.1 检测平台整体架构
        2.3.2 硬件平台设计
    2.4 硬件木马检测方案
    2.5 本章小节
第3章 模式识别相关基础理论
    3.1 模式识别概论
        3.1.1 模式和模式识别
        3.1.2 模式识别的基本方法
        3.1.3 模式识别系统
    3.2 线性判别分析
        3.2.1 线性判别函数
        3.2.2 线性分离器
        3.2.3 近邻分离器
    3.3 特征提取和选择算法
        3.3.1 概述
        3.3.2 特征抽取方法
        3.3.3 特征选择算法
    3.4 机器学习
        3.4.1 逻辑推理
        3.4.2 统计学习理论与支持向量机方法
        3.4.3 深度学习理论与方法
        3.4.4 聚类学习方法在硬件木马检测中的应用
    3.5 本章小节
第4章 基于距离测度分类法的硬件木马检测判别
    4.1 模型相似性和距离测度法
        4.1.1 模式相似性测度
        4.1.2 距离测度
    4.2 基于距离分布的硬件木马分类检测模型
        4.2.1 检测背景
        4.2.2 模型建立
        4.2.3 实验验证
    4.3 基于近邻法的硬件木马分类检测模型
        4.3.1 检测背景
        4.3.2 模型建立
        4.3.3 具体实现
    4.4 基于改进的最近邻距离测度法的硬件木马分类检测模型
        4.4.1 模型建立
        4.4.2 算法实现
        4.4.3 实验结果
    4.5 本章小节
第5章 基于支持向量机的硬件木马分类检测模型
    5.1 基于支持向量机(SVM)的硬件木马检测分类模型
        5.1.1 检测背景
        5.1.2 模型建立
        5.1.3 具体实现
        5.1.4 结果分析
    5.2 基于交叉验证的参数优化
        5.2.1 交叉验证方法
        5.2.2 基于交叉验证的SVM分类检测模型
        5.2.3 具体实现
        5.2.4 实现结果
    5.3 基于遗传算法(GA)的参数寻优
        5.3.1 基于遗传算法(GA)的SVM分类检测模型
        5.3.2 利用GA优化SVM参数算法
        5.3.3 模型的具体实现
        5.3.4 实现结果
    5.4 基于粒子群算法的参数寻优
        5.4.1 基于粒子群算法(PSO)的SVM分类检测模型
        5.4.2 利用PSO优化SVM参数算法
        5.4.3 模型的具体实现
        5.4.4 实现结果
    5.5 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
发表论文和参加科研情况说明
致谢


【参考文献】：
期刊论文
[1]基于侧信道分析的硬件木马建模与优化[J]. 刘长龙,赵毅强,史亚峰,冯紫竹.  华中科技大学学报(自然科学版). 2013(02)
[2]硬件木马技术研究综述[J]. 牛小鹏,李清宝,王炜,张丹.  信息工程大学学报. 2012(06)
[3]PCA、ICA和Gabor小波决策融合的SAR目标识别[J]. 宦若虹,张平,潘赟.  遥感学报. 2012(02)
[4]一种自适应权值的PCA算法[J]. 杨开睿,孟凡荣,梁志贞.  计算机工程与应用. 2012(03)
[5]基于主成分分析的人脸个体差异识别算法[J]. 龚劬,卢力,廖武忠.  计算机工程. 2012(01)
[6]基于旁路分析的集成电路芯片硬件木马检测[J]. 赵崇征,邓高明,赵强.  微电子学与计算机. 2011(11)
[7]硬件木马综述[J]. 刘华锋,罗宏伟,王力纬.  微电子学. 2011(05)
[8]新情况下的特殊武器——硬件木马[J]. 任立儒.  中国电子科学研究院学报. 2011(02)
[9]SoC门级功耗分析方法[J]. 徐永钊,田祖伟,阳若宁,姚丽娜,李洪涛,曾志峰.  通信技术. 2011(02)
[10]主成分分析法和Fisher判别方法在汽油分类分析过程中的应用[J]. 王荣辉,宗若雯,王正洲,廖光煊.  中国科学技术大学学报. 2006(12)

博士论文
[1]超深亚微米CMOS集成电路功耗估计方法及相关算法研究[D]. 陈志强.浙江大学 2006

硕士论文
[1]基于模型检验的固件恶意代码检测技术研究[D]. 谢晓东.解放军信息工程大学 2012
[2]数据降维技术的建模研究与应用[D]. 申中华.江南大学 2008
[3]面向全定制与半定制混合设计方法的噪声分析与设计[D]. 王延宁.国防科学技术大学 2008



本文编号：3704760