基于高斯滤波和K最邻近算法融合的硬件木马电磁信息检测技术研究

发布时间：2021-09-12 17:44

　　电磁侧信道信息具有非接触、三维矢量、空间及频谱信息丰富等优点,可以进一步提高硬件木马的检测效率,基于电磁侧信道分析的硬件木马检测技术逐渐成为主流方法 .因此,以电磁侧信道信息为研究对象,融合高斯滤波算法和K最邻近算法提取并识别出硬件木马的微小特征,建立高精度微米级集成电路电磁侧信道采集平台,并采集敏感区域的电磁侧信道信息.利用高斯算法自适应地滤除测试中的高斯噪声影响,借助K最邻近算法的相似度测度来提取硬件木马的特征.实验结果表明,提出的检测方法可以有效地检测出面积占比为0. 76%的硬件木马. 

【文章来源】：南京大学学报(自然科学). 2020,56(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

硬件木马检测流程

对芯片的电磁信息进行采集和降噪预处理，并将非木马芯片和木马芯片的电磁信息组成2×50的样本矩阵.取前20列样本为训练集，取后30列样本为验证集，非木马芯片的属性定义为“1”，木马芯片的属性定义为“2”.用K最邻近算法对待测芯片进行分类，本次实验所选K值为5，图4（左）为分类结果，其中1～30号为非木马芯片，31～60号为木马芯片.通过计算可知硬件木马电路检测的准确率为90%.接着选用主成分分析法对所采集的数据进行分类，以此来验证本文提出的检测方法的有效性.主成分分析算法检测硬件木马首先对采集到的电磁信息进行降维，然后利用马氏距离进行判别分析，识别并检测出硬件木马，分类结果如图4（右）所示，该方法检测硬件木马的准确率为88%.实验结果表明本文提出的方法可以更有效地实现小面积硬件木马的检测.图4 硬件木马检测结果：K最邻近算法（左）；主成分分析算法（右）

为了有效采集集成电路辐射的电磁侧信道信息，并高效率地检测硬件木马，本文搭建了一个高精密的硬件木马检测平台，该平台的整体框架如图1所示，其中硬件部分由以下八部分组成：计算机，是硬件木马检测平台的核心，控制整个平台的运行；MSO4054高性能数字示波器，用于采集待测电路板运行状态下辐射的电磁信息，采样频率高达2.5 GS·s-1；待测芯片，被固定在三维位移台上，产生触发信号触发示波器采集电路板表面的电磁信息；电磁探头，主要用来探测近场电磁信息，分辨率可达2 mm；前置放大器，其作用是放大电磁探头探测到的电磁辐射信息；工业相机，用于采集视场内待测芯片以及外围电路的图像信息，对采集的图像进行处理和分析，确定三维基准点；控制器，主要作用是产生所需要的脉冲信号，通过脉冲信号控制三维位移台的移动距离以及移动速度；三维位移台，控制待测电路板在X,Y,Z三个方向的自由移动，可以完成电磁强点的定位以及全芯片的扫描.上位机软件部分采用LabVIEW进行编程设计[17]，本文以集成电路的电磁信息作为研究对象，采集电磁信息的精度和速率直接决定了硬件木马检测的精度和速率，并且硬件木马检测实验需要大量的数据作为支撑，为了提高电磁信息采集的精度、降低数据采集时间成本，设计了图像采集、移动控制、电磁信息采集这三个模块，通过LabVIEW与MATLAB联合编程，完成电磁信息预处理和硬件木马识别.2.2 硬件木马检测流程

【参考文献】：
期刊论文
[1]基于多元正态分析的硬件木马检测研究[J]. 张阳,全厚德,李雄伟,陈开颜.  华中科技大学学报(自然科学版). 2018(01)
[2]基于GPIB的数字电路自动测试系统研究[J]. 靳取,方晖,柏业超.  南京大学学报(自然科学). 2016(06)



本文编号：3394663