基于长短时记忆神经网络的硬件木马检测

发布时间：2024-01-30 20:04

　　硬件木马给集成电路芯片的可靠性带来巨大威胁,为此,提出一种基于主成分分析(PCA)和长短时记忆(LSTM)神经网络的硬件木马检测方法。利用PCA提取侧信道信息中的电流特征向量,并利用该特征向量训练LSTM神经网络分类器,使该分类器达到识别硬件木马的目的。实验结果表明,该方法能对木马进行有效识别,且能检测出木马面积占总电路面积比为0.74%的硬件木马。

【文章页数】：6 页

【部分图文】：

图1LSTM神经网络内部结构

LSTM神经网络是一种特殊的循环神经网络(RecurrentNeuralNetwork,RNN),其具有时间递归的性质,适用于处理时序相关的问题,解决了RNN难以解决的时间序列长期依赖、梯度爆炸和梯度消失等问题。由于本文用来检测硬件木马的侧道信息是时序相关的电流信息,因此可以....

图2本文检测方法的主要流程

本文检测方法的主要流程如图2所示。其中,每一步的具体操作如下:

图3LSTM神经网络运算图

本文的LSTM神经网络只包含一个LSTM层,且LSTM层内的节点数为128个。在LSTM层后添加一层节点数为128、激活函数为Relu的全连接神经网络(ArtificialNeuralNetwork,ANN)层,对该全连接层的每个输出节点以0.15的概率进行Dropout,以....

图4本文分类器在测试集和验证集上的分类结果

本文检测方法在测试集test_s9234和验证集valid_s9234上对于每一个待测电路的分类结果如图4所示。由图4可知,在木马插入位置相同的测试集上,检测准确率为100.00%,本文提出的分类器可有效识别木马电路,因此不再单独列出s9234_1s27、s9234_2s27、s....

本文编号：3890318