融入环形振荡器木马特征的无监督硬件木马检测

作者：胡兴盛; 徐皓; 易茂祥; 梁**; 鲁迎春

来源：微电子学, 2022, 52(06): 955-960.

DOI：10.13911/j.cnki.1004-3365.210424

• 硬件木马
• 机器学习
• 特征提取
• LOF
• 门级网表

机器学习用于集成电路硬件木马的检测可以有效提高检测率。无监督学习方法在特征选择上还存在不足，目前研究工作主要集中于有监督学习方法。文章引入环形振荡器木马的新特征，研究基于无监督机器学习的硬件木马检测方法。首先针对待测电路网表，提取每个节点的5维特征值，然后利用局部离群因子(LOF)算法计算各节点的LOF值，筛选出硬件木马节点。对Trust-HUB基准电路的仿真实验结果表明，该方法用于网表级电路硬件木马的检测，与现有基于无监督学习的检测方法相比，TPR(真阳性率)、P(精度)和F(度量)分别提升了16.19%、10.79%和15.56%。针对Trust-HUB基准电路的硬件木马检测的平均TPR、TNR和A,分别达到了58.61%、97.09%和95.60%。