CN109543522A - 基于高斯核函数svm的硬件木马噪声预处理方法 - Google Patents

Abstract

本发明涉及集成电路可信任性检测技术领域，为提高硬件木马的检测效率，提出一种基于高斯核函数SVM的硬件木马噪声预处理方法，实现对硬件木马电路降噪处理。为此，本发明采取的技术方案是，基于高斯核函数SVM的硬件木马噪声预处理方法，通过采集原始电路及在原始电路中植入木马电路工作过程中的功耗信息，并通过基于高斯核函数的支持向量回归机技术，构造高斯滤波器，对两类电路功耗信息进行处理，实现两类电路功耗信息的明显区分，进而实现对硬件木马电路的判别。本发明主要应用于集成电路设计制造场合。

Description

基于高斯核函数SVM的硬件木马噪声预处理方法

技术领域

本发明涉及集成电路可信任性检测技术领域，具体涉及一种基于高斯核函数SVM的硬件木马噪声预处理方法。

背景技术

近年来信息安全事件不断发生，集成电路的安全性正得到广泛关注，保障集成电路芯片的“自主可控”和“自主可信”成为当前各类信息系统的迫切需求。其中，硬件木马作为集成电路中的主要安全隐患之一，对硬件电路系统的性能会造成很大的影响。硬件木马是芯片在设计、生产、封装等过程中，攻击者为达到其修改电路功能、泄露芯片信息或恶意损毁电子系统的目的而在芯片中插入或修改的电路结构，其检测理论与方法已经成为国内外集成电路领域的前沿和热点研究课题。

随着集成电路规模的增大，硬件木马面积的减小，木马电路对于母本电路的影响越来越小，检测难度越来越大。硬件木马的检测方法主要有基于旁路分析检测方法、基于节点活性分析检测方法、基于主成分分析检测方法、基于内建电路分析检测方法、基于自组织竞争神经网络检测方法、基于提高触发效率检测方法等等，通过这些检测方法，得到的图像被随机噪声所污染，在图像处理中，噪声的去除需要通过对图像进行滤波处理来实现，图像滤波的方法总体上可分为空间域滤波和变换域滤波两大类，空间域(或称时域)滤波是根据图像数据的空间相关性，利用某种算法直接对数据进行数值变换来达到滤波目的的方法，它是一种邻域运算，即输出图像中任何像素的值都是通过采用一定的算法，根据输入图像中对应像素周围一定邻域内像素的值得来的。根据所用的算法不同，可分为线性滤波和非线性滤波二类。均值滤波、高斯滤波、中值滤波和边缘保持滤波等是最常见的滤波算法。

变换域滤波的基本出发点是基于图像的函数描述，将信号变换到某一空间中进而使其某种属性得到显著表现，在进行相应的处理后再将其复原，基于频率域的传统的Fourier变换和近十几年发展起来的基于时频分析的小波变换是最主要的方法。Fourier变换滤波方法要求信号与噪声的频带要有尽可能小的重叠，这样，就可以利用时不变算子在频率域将噪声与信号分离，否则是无能为力的。基于小波变换的非线性滤波则完全不同，在这种方法中，只要信号和噪声频谱的幅度不同，则无论谱是分立还是重叠的，都可以通过对小波系数的切削和缩小等来达到噪声去除的目的，且可在一定程度上避免信号突变部分。

本专利在变换域滤波的基础思想上，提出一种基于高斯核函数SVM的硬件木马杂声预处理方法，利用高斯核函数构造高斯滤波器，进而滤除噪声。

本发明采用一种基于高斯径向基核函数的支持向量回归机的高斯滤波器进行降噪，通过硬件木马检测技术获得数据，这些数据是非线性可分的，将这些数据映射到一个特征空间中，使在特征空间中的数据是线性可分的，这种特种空间是由高斯核函数隐性定义的。在特征空间中，构造高斯滤波器，高斯滤波器滤除噪声的过程是通过σ和C两个参数来确定滤波，所以在得到的图像与用计算机仿真的硬件木马特征图像进行对比，确定参数σ和C，进而构造一种完整的高斯滤波器，对硬件木马噪声就行降噪处理，最后实现硬件木马的高精度检测。参考文献

[1]Ashutosh S.Marathe，Vibha Vyas，Madhavi Chavhan.Petrographic imageclassification using optimized Radial Basis Function Support Vector Machine&validation of its asymptotic behavior[J].2016IEEE International Conferenceon.

[2]Karthik Soman，A.Sathiya，N.Suganthi.Classification of stress ofautomobile drivers using Radial Basis Function Kernel Support Vector Machine[J].IEEE，2014,02

[3]Feng-Ping An，Xian-Wei Zhou.Adaptive image denoising based onsupport vector machine and wavelet description[J].2017:24(660-667).

[4]Jie Lu，Furao Shen,Jinxi Zhao.Using self-organizing incrementalneural network(SOINN)For radial basis function networks[J].2014InternationalJoint Conference on Neural Networks(IJCNN)，2142-2148

[4]Yaqi Deng，Tianqi Xu，Yan Li，Peilei Feng，Yanbo Jiang.Icing thicknessprediction of overhead transmission lines base on combined kernel functionSVM[J].2017IEEE Conference on Energy Internet and Energy System Integration(EI2)，1–4。

发明内容

为克服现有技术的不足，本发明旨在提高硬件木马的检测效率，提出一种基于高斯核函数SVM的硬件木马噪声预处理方法，实现对硬件木马电路降噪处理。为此，本发明采取的技术方案是，基于高斯核函数SVM的硬件木马噪声预处理方法，通过采集原始电路及在原始电路中植入木马电路工作过程中的功耗信息，并通过基于高斯核函数的支持向量回归机技术，构造高斯滤波器，对两类电路功耗信息进行处理，实现两类电路功耗信息的明显区分，进而实现对硬件木马电路的判别。

通过基于高斯核函数的支持向量回归机技术，构造高斯滤波器，对两类电路功耗信息进行处理，具体是对原始电路和木马电路不断进行调优，对于高斯核函数SVM来说，调优的参数是惩罚因子C和核函数参数λ，将固定范围内的C和λ按规定的步长进行取值，分别代入函数进行对比，得到相应的功耗曲线，通过不断地迭代更新，每次更新用马氏距离进行评估，找到效果最好的功耗曲线，进而确定产生效果最好的C值和λ值，从而实现对硬件木马电路的判别。

具体步骤细化如下：

步骤1：搭建旁路信息采集平台，该测试平台由FPGA、数字示波器、电流信息采集探头、电磁信息采集探头、信号放大器、固定平台以及计算机组成，用于测量电路工作过程中包括电压、电流、电磁信息的功耗信息；

步骤2：将不含硬件木马的母本电路下载至FPGA中，利用旁路信息采集平台采集其工作过程中的功耗信息；

步骤3：在母本电路中植入硬件木马电路，并将携带硬件木马的电路载入FPGA芯片中，通过对电路的功耗信息的检测，获取植入硬件木马的电路的功耗信息{(Xi，Yi)}(Xi表示横坐标，Yi表示纵坐标)；

步骤4：将获取的母本电路和植入硬件木马的电路的功耗数据进行基于高斯核函数的降噪预处理；

步骤5：确定核函数的高斯核半径和惩罚因子。确定高斯核半径：对于样本 (Rⁿ表示样本空间)，在原空间中两点间的距离表示为：

同样，在特征空间中两点的距离表示为：由于采用高斯函数，上式简化为

定义S_w＝S_w1+S_w2为特征空间中同类样本的类间距离，其中，

定义，

为特征空间中异类样本的类间距离，得到类间与类内之比计算类间与类内距离之比S时不涉及到惩罚系数C，因此，为了在不同的数据集上取得一致，惩罚参数都取正无穷，高斯核半径σ＝10^β，当类间与类内平方距离之比：通过一个向上的跳跃即将趋于稳定时，测试错误率也都保持在一个让人满意的值，这个时候的σ即为预先求得核半径；

确定惩罚因子C：在用类间与类内距离之比的方法选定了高斯核半径之后，通过留一误差上界来选择合适的惩罚参数C，惩罚参数C＝10^θ，θ的取值以0.5为间隔，在0到6之间，记录选定的高斯核函数半径σ后通过不同的惩罚参数得到的最小误差上界minJ(σ’，C)，最小误差上界minJ(σ’，C)对应的参数(σ’，C_J)和由参数(σ’，C_J)训练得到的支持向量机在测试集上的错误率，对于一个固定的特征空间，当C超过一定值时，支持向量机的复杂度达到了空间T上允许的最大值，此时的经验风险和推广能力几乎不再变换，所以，留一误差上界出现多个相同的最小值时，取它对应的最小的σ和C值；

步骤6：对降噪后的数据进行马氏距离的数据处理，根据马氏距离的远近来不断对惩罚因子和高斯核函数半径进行调优，最终找到效果最好的参数。

本发明的特点及有益效果是：

(1)本发明利用基于高斯核函数的SVM降噪处理，侧信道数据中的噪声含量显著降低，有效地解决了对硬件木马的检测精度不高的问题；

(2)基于高斯核函数的SVM降噪处理的不断调优的过程，通过马氏距离进行评估，不断对高斯核函数的相关参数进行调优，最终确定合适的参数，进行对硬件木马电路的判别。

附图说明：

图1技术方案流程图。

图2旁路信息采集平台。

具体实施方式

SVM的基本思想是将线性不可分类数据通过非线性变换映射到一个高维空间中，从而使原来的不可分类数据变为高维可分类数据，同时，通过在高维空间求解最优分类超平面，达到数据进行分类的效果。本发明提出一种基于高斯核函数SVM的硬件木马噪声预处理方法，具体采用通过不断对原始电路和木马电路不断进行调优，对于高斯核函数SVM来说，调优的主要参数是惩罚因子C和核函数参数σ，将固定范围内的C和σ按规定的步长进行取值，分别代入函数进行对比，得到相应的功耗曲线，通过不断地迭代更新，找到效果最好的功耗曲线，进而确定产生效果最好的C值和σ值，实现对硬件木马电路的判别。

步骤1：搭建旁路信息采集平台，该测试平台FPGA、数字示波器、电流信息采集探头、电磁信息采集探头、信号放大器、固定平台以及上位机组成，用于测量电路工作过程中的电压、电流、功耗、电磁信息；

步骤2：将不含硬件木马的母本电路下载至FPGA中，利用旁路信息采集平台采集其工作过程中的功耗信息；

步骤3：在母本电路中植入硬件木马电路，并将携带硬件木马的电路载入FPGA芯片中，通过对电路的功耗信息的检测，获取植入硬件木马的电路的功耗信息{(Xi，Yi)}；

步骤4：将获取的母本电路和植入硬件木马的电路的功耗数据进行基于高斯核函数的降噪预处理；

步骤5：确定核函数的高斯核半径和惩罚因子。确定高斯核半径：对于样本 i＝1，2，3..m，在原空间中两点间的距离可以表示(X表示空间中的一个点，X'表示空间的另一个点)；同样，在特征空间中两点的距离可以类似的表示为，由于采用高斯函数，上式简化为 和表示映射到的特征空间中的两个点)

定义S_w＝S_w1+S_w2为特征空间中同类样本的类间距离，其中，

定义，

为特征空间中异类样本的类间距离，得到类间与类内之比计算类间与类内距离之比S时不涉及到惩罚系数C，因此，为了在不同的数据集上取得一致，实验中的惩罚参数都取正无穷。高斯核半径σ＝10^β，当类间与类内平方距离之比:通过一个向上的跳跃即将趋于稳定时，测试错误率也都保持在一个让人满意的值，这个时候的σ即为预先求得核半径。

确定惩罚因子C：在用距离之比的方法选定了高斯核半径之后，通过留一误差上界来选择合适的惩罚参数C。实验中，惩罚参数C＝10^θ，θ的取值以0.5为间隔，在0到6之间。记录选定的高斯核函数半径σ后通过不同的惩罚参数得到的最小误差上界minJ(σ’，C)，最小误差上界minJ(σ’，C)对应的参数(σ’，C_J)和由参数(σ’，C_J)训练得到的支持向量机在测试集上的错误率。对于一个固定的特征空间，当C超过一定值时，支持向量机的复杂度达到了空间T上允许的最大值，此时的经验风险和推广能力几乎不再变换。所以，实验中的留一误差上界出现多个相同的最小值时，取它对应的最小的σ和C值。

步骤6：对降噪后的数据进行马氏距离的数据处理，根据马氏距离的远近来不断对惩罚因子和高斯核函数半径进行调优，最终找到效果最好的参数。

Claims (3)

1.一种基于高斯核函数SVM的硬件木马噪声预处理方法，其特征是，通过采集原始电路及在原始电路中植入木马电路工作过程中的功耗信息，并通过基于高斯核函数的支持向量回归机技术，构造高斯滤波器，对两类电路功耗信息进行处理，实现两类电路功耗信息的明显区分，进而实现对硬件木马电路的判别。

2.如权利要求1所述的基于高斯核函数SVM的硬件木马噪声预处理方法，其特征是，通过基于高斯核函数的支持向量回归机技术，构造高斯滤波器，对两类电路功耗信息进行处理，具体是对原始电路和木马电路不断进行调优，对于高斯核函数SVM来说，调优的参数是惩罚因子C和核函数参数λ，将固定范围内的C和λ按规定的步长进行取值，分别代入函数进行对比，得到相应的功耗曲线，通过不断地迭代更新，每次更新用马氏距离进行评估，找到效果最好的功耗曲线，进而确定产生效果最好的C值和λ值，从而实现对硬件木马电路的判别。

3.如权利要求1所述的基于高斯核函数SVM的硬件木马噪声预处理方法，其特征是，具体步骤细化如下：

步骤1：搭建旁路信息采集平台，该测试平台由FPGA、数字示波器、电流信息采集探头、电磁信息采集探头、信号放大器、固定平台以及计算机组成，用于测量电路工作过程中包括电压、电流、电磁信息的功耗信息；

步骤2：将不含硬件木马的母本电路下载至FPGA中，利用旁路信息采集平台采集其工作过程中的功耗信息；

步骤3：在母本电路中植入硬件木马电路，并将携带硬件木马的电路载入FPGA芯片中，通过对电路的功耗信息的检测，获取植入硬件木马的电路的功耗信息{(Xi，Yi)}(Xi表示横坐标，Yi表示纵坐标)；

步骤4：将获取的母本电路和植入硬件木马的电路的功耗数据进行基于高斯核函数的降噪预处理；

步骤5：确定核函数的高斯核半径和惩罚因子。确定高斯核半径：对于样本{(Xi，Yi)}(Rⁿ表示样本空间)，在原空间中两点间的距离表示为：

同样，在特征空间中两点的距离表示为：由于采用高斯函数，上式简化为

定义S_w＝S_w1+S_w2为特征空间中同类样本的类间距离，其中，

定义，

为特征空间中异类样本的类间距离，得到类间与类内之比计算类间与类内距离之比S时不涉及到惩罚系数C，因此，为了在不同的数据集上取得一致，惩罚参数都取正无穷，高斯核半径σ＝10^β，当类间与类内平方距离之比：通过一个向上的跳跃即将趋于稳定时，测试错误率也都保持在一个让人满意的值，这个时候的σ即为预先求得核半径；

确定惩罚因子C：在用类间与类内距离之比的方法选定了高斯核半径之后，通过留一误差上界来选择合适的惩罚参数C，惩罚参数C＝10^θ，θ的取值以0.5为间隔，在0到6之间，记录选定的高斯核函数半径σ后通过不同的惩罚参数得到的最小误差上界minJ(σ’,C)，最小误差上界minJ(σ’，C)对应的参数(σ’，C_J)和由参数(σ’，C_J)训练得到的支持向量机在测试集上的错误率，对于一个固定的特征空间，当C超过一定值时，支持向量机的复杂度达到了空间T上允许的最大值，此时的经验风险和推广能力几乎不再变换，所以，留一误差上界出现多个相同的最小值时，取它对应的最小的σ和C值；

步骤6：对降噪后的数据进行马氏距离的数据处理，根据马氏距离的远近来不断对惩罚因子和高斯核函数半径进行调优，最终找到效果最好的参数。