CN111340788B - 硬件木马版图检测方法、装置、电子设备和可读存储介质 - Google Patents
硬件木马版图检测方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN111340788B CN111340788B CN202010129610.7A CN202010129610A CN111340788B CN 111340788 B CN111340788 B CN 111340788B CN 202010129610 A CN202010129610 A CN 202010129610A CN 111340788 B CN111340788 B CN 111340788B
- Authority
- CN
- China
- Prior art keywords
- layout
- image
- information
- characteristic information
- shape characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 title claims abstract description 38
- 238000013461 design Methods 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 241000700605 Viruses Species 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
- G06F21/71—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information
- G06F21/76—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information in application-specific integrated circuits [ASIC] or field-programmable devices, e.g. field-programmable gate arrays [FPGA] or programmable logic devices [PLD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种硬件木马版图检测方法、装置、电子设备和计算机可读存储介质,检测方法包括:获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,第一图像和第二图像为同质图;对第一图像进行分割处理得到多个第一布局结构图像,对第二图像进行分割处理得到多个第二布局结构图像;对多个第一布局结构图像进行特征提取得到第一形状特征信息;对多个第二布局结构图像进行特征提取得到第二形状特征信息;根据第一形状特征信息和第二形状特征信息获取版图检测信息。通过对比同质的第一图像和第二图像各自对应的形状特征信息能够消除硬件的噪声;对第一图像和第二图像进行分割能够提升对比的准确性,从而提升集成电路芯片制造的安全性。
Description
技术领域
本申请涉及集成电路技术领域,特别是涉及一种硬件木马版图检测方法、装置、电子设备和可读存储介质。
背景技术
集成电路(Integrated Circuit,IC)作为现代信息化装备的核心,随着集成电路制造工艺的不断进步,近年来其安全性受到国内外广泛关注。由于集成电路的设计过程与制造过程相互分离,集成电路的芯片制造可能会不受设计方控制,如竞争对手在制造过程中往芯片中植入额外的恶意电路(也被称为硬件木马),从而使整个集成电路的系统功能瘫痪。
目前,用来检测集成电路实物版图是否存在硬件木马病毒的方法往往误差较大,准确性较低。
发明内容
本申请实施例提供了一种硬件木马版图检测方法、装置、电子设备、计算机可读存储介质,可以提高检测集成电路版图中硬件病毒信息的准确性。
本申请提供一种硬件木马版图检测方法,包括:
获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,所述第一图像和所述第二图像为同质图;
对所述第一图像进行分割处理得到多个第一布局结构图像,对所述第二图像进行分割处理得到多个第二布局结构图像;
对多个所述第一布局结构图像进行特征提取得到第一形状特征信息;对多个所述第二布局结构图像进行特征提取得到第二形状特征信息;
根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息。
在其中一个实施例中,所述根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息,包括:
利用距离度量算法获取所述第一形状特征信息和所述第二形状特征信息的相似度;
根据所述相似度获取所述版图检测信息。
在其中一个实施例中,所述版图检测信息包括硬件木马信息和版图合格信息,所述根据所述相似度获取所述版图检测信息,包括:
当所述相似度小于相似度阈值,根据所述第一形状特征信息、所述第二形状特征信息和预存病毒信息获取所述硬件木马信息;
当所述相似度大于或等于所述相似度阈值时,生成所述版图合格信息。
在其中一个实施例中,所述根据所述第一形状特征信息、所述第二形状特征信息和预存的病毒特征信息获取所述硬件木马信息,包括:
根据所述第一形状特征信息和所述第二形状特征信息的差异提取所述实物版图中的病毒特征信息;
将所述实物版图中的病毒特征信息和所述预存病毒信息进行对比确定出所述硬件木马信息。
在其中一个实施例中,所述获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,包括:
利用扫描电子显微镜采集所述集成电路的实物版图对应的微观图像;
基于循环一致性生成式对抗网络获取所述微观图像和所述设计版图各自对应的互连线特征,基于卷积神经网络获取所述微观图像和所述设计版图各自对应的孔特征;
根据所述微观图像对应的互连线特征和孔特征获取所述第一图像;根据所述设计版图对应的互连线特征和孔特征获取所述第二图像。
在其中一个实施例中,所述根据所述微观图像对应的互连线特征和孔特征获取所述第一图像,包括:
根据所述微观图像对应的所述互连线特征和所述孔特征生成初步异质图像;
基于版图检查工具对所述初步异质图像进行修正获取所述第一图像。
在其中一个实施例中,
所述对所述第一图像进行分割处理得到多个第一布局结构图像,包括:
按照所述第一图像中集成电路的层次进行分割得到多个所述第一布局结构图像;
所述对所述第二图像进行分割处理得到多个第二布局结构图像,包括:
按照所述第二图像中集成电路的层次进行分割得到多个所述第二布局结构图像。
本申请提供一种硬件木马版图检测装置,包括:
第一获取模块,用于获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,所述第一图像和所述第二图像为同质图;
分割模块,用于对所述第一图像进行分割处理得到多个第一布局结构图像,对所述第二图像进行分割处理得到多个第二布局结构图像;
提取模块,用于对多个所述第一布局结构图像进行特征提取得到第一形状特征信息;对多个所述第二布局结构图像进行特征提取得到第二形状特征信息;
第二获取模块,用于根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息。
一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述的检测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述硬件木马版图检测方法、装置、电子设备和计算机可读存储介质,所述检测方法包括:获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,所述第一图像和所述第二图像为同质图;对所述第一图像进行分割处理得到多个第一布局结构图像,对所述第二图像进行分割处理得到多个第二布局结构图像;对多个所述第一布局结构图像进行特征提取得到第一形状特征信息;对多个所述第二布局结构图像进行特征提取得到第二形状特征信息;根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息。本申请提供的检测方法首先获取实物版图对应的第一图像,第一图像和第二图像同质,再分别对第一图像和第二图像进行分割和特征提取获取第一形状特征信息和第二形状特征信息,通过对比同质的第一图像和第二图像各自对应的形状特征信息获取版图检测信息。本申请通过对比同质的第一图像和第二图像各自对应的形状特征信息能够消除硬件采集第一图像的噪声;对第一图像和第二图像进行分割能够降低对比的难度,提升对比的准确性和稳定性,从而可以更准确检测集成电路实物版图中是否存在硬件木马,提升集成电路芯片制造的安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中检测方法的流程图;
图1a为一个实施例中典型的版图局部结构的示意图;
图2为一个实施例中步骤根据第一形状特征信息和第二形状特征信息获取版图检测信息的流程图;
图3为一个实施例中步骤根据相似度获取版图检测信息的流程图;
图4为一个实施例中步骤根据第一形状特征信息、第二形状特征信息和预存的病毒特征信息获取硬件木马信息的流程图;
图5为一个实施例中步骤获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像的流程图;
图6为一个实施例中步骤根据微观图像对应的互连线特征和孔特征获取第一图像的流程图;
图7为一个实施例的检测装置的结构示意图;
图8为一个实施例中电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一图像称为第二图像,且类似地,可将第二图像称为第一图像。第一图像和第二图像两者都是图像,但其不是同一图像。
图1为一个实施例中检测方法的流程图。如图1所示,检测方法包括步骤102至步骤108。其中,步骤102,获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,第一图像和第二图像为同质图。
具体的,利用扫描电子显微镜拍摄的集成电路制作完成的实物版图的微观图像,获取集成电路对应的设计版图。微观图像和设计版图异质,在灰度属性、空间位置、分辨率尺度、非线性形变等方面存在很多差异。将微观图像和设计版图分别转化成第一图像和第二图像,转化后的得到的第一图像和第二图像同质,灰度属性、空间位置、分辨率尺度、非线性形变等方面差异较小,能够明显查找出实物版图中电路结构和设计版图中电路结构的差异,便于进行电路结构方面的特征对比。
步骤104,对第一图像进行分割处理得到多个第一布局结构图像,对第二图像进行分割处理得到多个第二布局结构图像。
具体的,对第一图像进行分割得到多个第一布局结构图像。对第二图像进行分割得到多个第二布局结构图像。第一图像和第二图像通常由表示线、孔等版图元素的多边形组成的图像,通过分割可以得到若干个布局结构图像。如M3引线带孔线头、M3引线不带孔线头、L型拐线等。其中,典型的版图局部结构如图1a所示。由于每个版图局部结构都结构单一、特征明显,因此便于进行特征提取和特征对比。
步骤106,对多个第一布局结构图像进行特征提取得到第一形状特征信息;对多个第二布局结构图像进行特征提取得到第二形状特征信息。
具体的,对多个第一布局结构图像进行特征提取得到第一形状特征信息,第一形状特征信息包括:实物版图上的最小外接矩形的长度和宽度、左上角顶点坐标、重心坐标、面积、孔的中心位置等数据。对多个第二布局结构图像进行特征提取得到第二形状特征信息,第二形状特征信息包括设计版图上的最小外接矩形的长度和宽度、左上角顶点坐标、重心坐标、面积、孔的中心位置等数据。
步骤108,根据第一形状特征信息和第二形状特征信息获取版图检测信息。
具体的,根据第一形状特征信息和第二形状特征信息获取版图检测信息的过程如下:可以是对比第一形状特征信息和第二形状特征信息,根据第一形状特征信息和第二形状特征信息的差异获取版图检测信息;还以是获取第一形状特征信息和第二形状特征信息的相似度,根据相似度和预先设定的相似度阈值的数值大小关系获取版图检测信息。其中,版图检测信息标识实物版图中硬件病毒信息。当相似度大于或等于相似度阈值时,获取的版图检测信息标识实物版图中无硬件病毒信息;当相似度小于相似度阈值时,获取的版图检测信息标识实物版图中存在硬件病毒信息,进一步地,可以对硬件病毒信息进行复验和分析,得到硬件病毒的型号。
上述硬件木马版图检测方法首先获取实物版图对应的第一图像,第一图像和第二图像同质,再分别对第一图像和第二图像进行分割和特征提取获取第一形状特征信息和第二形状特征信息,通过对比同质的第一图像和第二图像各自对应的形状特征信息获取版图检测信息。本申请通过对比同质的第一图像和第二图像各自对应的形状特征信息能够消除硬件采集第一图像的噪声;对第一图像和第二图像进行分割能够降低对比的难度,提升对比的准确性和稳定性,从而可以更准确检测集成电路实物版图中是否存在硬件木马,提升集成电路芯片制造的安全性。
在其中一个实施例中,如图2所示,步骤根据第一形状特征信息和第二形状特征信息获取版图检测信息,包括:步骤202至步骤204。其中,步骤202、利用距离度量算法获取第一形状特征信息和第二形状特征信息的相似度;步骤204,根据相似度获取版图检测信息。
具体的,利用距离度量算法如欧氏距离、汉明距离等计算出第一形状特征信息和第二形状特征信息的相似度。版图检测信息标识实物版图中硬件病毒信息。根据相似度获取版图检测信息的过程可以是根据第一形状特征信息和第二形状特征信息的相似度和预先设定的相似度阈值的数值大小关系获取版图检测信息。举例来说,如当相似度大于或等于相似度阈值标识实物版图中无硬件病毒信息;当相似度小于相似度阈值标识实物版图中可能存在硬件病毒信息,进一步地,可以通过对该实物版图进行复验。
需要说明的是,相似度阈值可以通过聚类分析算法获取,具体流程为:首先,选取距离度量算法计算实物版图中第一形状特征信息相关的坐标和设计版图中第二形状特征信息对应坐标之间的距离值,得到一个距离集合其中/>表示实物版图中坐标(xn,yn)与设计版图中坐标(xn,yn)之间的距离值。其次,对集合D中的数据进行归一化处理,获得集合D’。再次,以集合D’中的数据作为样本进行聚类分析,得到合适的相似度阈值,可以使用该相似度阈值将D’中的数据分为两类,一类为无硬件病毒的距离值,一类为存在硬件病毒的距离值。最后,将存在硬件木马的距离值所对应的版图局部区域挑选出来,作为可疑点供后续复查。
在其中一个实施例中,版图检测信息包括硬件木马信息和版图合格信息,如图3所示,步骤根据相似度获取版图检测信息,包括:步骤302至步骤304。其中,步骤302、当相似度小于相似度阈值,根据第一形状特征信息、第二形状特征信息和预存病毒信息获取硬件木马信息;步骤304、当相似度大于或等于相似度阈值时,生成版图合格信息。
具体的,当相似度大于或等于相似度阈值,标识实物版图和设计版图较相似,差异在合理差异范围内,生成说明实物版图中无硬件病毒信息的版图合格信息。当相似度小于相似度阈值,标识实物版图和设计版图差异较大且差异超出合理差异范围,根据第一形状特征信息和第二形状特征信息的差异找出存在相似度小于阈值的至少一个第一布局结构图像,从至少一个第一布局结构图像中获取标识实物版图中存在的硬件木马信息。
在其中一个实施例中,如图4所示,步骤根据第一形状特征信息、第二形状特征信息和预存的病毒特征信息获取硬件木马信息,包括:步骤402至步骤404。其中,步骤402、根据第一形状特征信息和第二形状特征信息的差异提取实物版图中的病毒特征信息;步骤404、将实物版图中的病毒特征信息和预存病毒信息进行对比确定出硬件木马信息。
具体的,当相似度小于相似度阈值,标识实物版图和设计版图差异较大且差异超出合理差异范围,说明实物版图中存在硬件病毒信息。进一步地,根据第一形状特征信息和第二形状特征信息的差异找出存在相似度小于阈值的至少一个第一布局结构图像。进一步地,可以对实物版图对应的至少一个第一布局结构图像中电路结构进行复验分析,即至少一个第一布局结构图像中的病毒特征信息与预存病毒信息进行比对,当病毒特征信息与预存病毒信息匹配,可以确定出硬件木马信息,如硬件病毒的型号、种类、复杂度等。
在其中一个实施例中,步骤获取第一形状特征信息和第二形状特征信息的相似度,包括:利用距离度量算法对第一形状特征信息和第二形状特征信息分析获取相似度。具体的,采用距离度量算法如欧氏距离、汉明距离等分析第一形状特征信息和第二形状特征信息得到实物版图和设计版图中电路结构的相似度,从而量化实物版图和设计版图的差异。
在其中一个实施例中,如图5所示,步骤获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,包括:步骤502至步骤506。其中,步骤502、利用扫描电子显微镜采集集成电路的实物版图对应的微观图像;步骤504、基于循环一致性生成式对抗网络获取微观图像和设计版图各自对应的互连线特征,基于卷积神经网络获取微观图像和设计版图各自对应的孔特征;步骤506、根据微观图像对应的互连线特征和孔特征获取第一图像;根据设计版图对应的互连线特征和孔特征获取第二图像。
具体的,利用扫描电子显微镜采集集成电路的实物版图对应的微观图像。微观图像和设计版图为异质图,在灰度属性、空间位置、分辨率尺度、非线性形变等方面存在较大差异。针对微观图像和设计版图的构造特征,构建生成循环一致性生成式对抗网络排除互连线粘连、虚连(看起来不相连,实际相连)等区域,循环一致性生成式对抗网络对微观图像和设计版图进行处理,可以获取微观图像中电路结构的互连线特征,还可设计版图中电路结构的互连线特征。利用卷积神经网络对微观图像和设计版图进行处理可以提取微观图像和设计版图中电路结构孔特征,如孔的边缘特征,整体形状特征以及周围图像特征,利用卷积神经网络获取微观图像对应的孔特征和设计版图对应的孔特征,可以排除灰尘或亮斑的影响。根据微观图像中电路结构的互连线特征和孔特征可以得到第一图像,根据设计版图中电路结构的互连线特征和孔特征可以得到第二图像,第一图像和第二图像同质。
在其中一个实施例中,如图6所示,步骤根据微观图像对应的互连线特征和孔特征获取第一图像,包括:步骤602至步骤604。其中,步骤602、根据微观图像对应的互连线特征和孔特征生成初步异质图像;步骤604、基于版图检查工具对初步异质图像进行修正获取第一图像。
具体的,将微观图像中电路结构的互连线特征和孔特征进行叠加可以得到第一初步异质图像,将设计版图中电路结构的互连线特征和孔特征进行叠加可以得到第二初步异质图像,第一初步异质图像和第二初步异质图像仍然异质。针对工艺可制造性设计(DFM)和光学邻近效应修正(OPC)的影响,建立版图修正的规则体系,如:通孔不能单独存在,每个通孔必须同时有上层引线和下层引线与其相连;单个通孔的尺寸必须满足工艺特征值等,利用版图检查工具EDA对第一初步异质图像和第二初步异质图像进行修正,可以消除DFM和OPC的影响,得到同质的第一图像和第二图像。
在其中一个实施例中,步骤对第一图像进行分割处理得到多个第一布局结构图像,包括:按照第一图像中集成电路的层次进行分割得到多个第一布局结构图像。步骤对第二图像进行分割处理得到多个第二布局结构图像,包括:按照第二图像中集成电路的层次进行分割得到多个第二布局结构图像。
具体的,按照第一图像中集成电路的层次进行分割得到多个第一布局结构图像,每个第一布局结构图像标识实物版图的一层局部结构,第一布局结构图像的数量与实物版图的层数相同。按照第二图像中集成电路的层次进行分割得到多个第二布局结构图像,每个第二布局结构图像标识设计版图的二层局部结构,第二布局结构图像的数量与设计版图的层数相同。
应该理解的是,虽然图1、2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图7为本申请提供的一种硬件木马版图检测装置的结构示意图,如图7所示,检测装置包括:第一获取模块702、分割模块704、提取模块706和第二获取模块708。其中,第一获取模块702,用于获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,第一图像和第二图像为同质图。
具体的,利用扫描电子显微镜拍摄的集成电路制作完成的实物版图的微观图像,获取集成电路对应的设计版图。微观图像和设计版图异质,在灰度属性、空间位置、分辨率尺度、非线性形变等方面存在很多差异。将微观图像和设计版图分别转化成第一图像和第二图像,转化后的得到的第一图像和第二图像同质,灰度属性、空间位置、分辨率尺度、非线性形变等方面差异较小,能够明显查找出实物版图中电路结构和设计版图中电路结构的差异,便于进行电路结构方面的特征对比。
分割模块704,用于对第一图像进行分割处理得到多个第一布局结构图像,对第二图像进行分割处理得到多个第二布局结构图像。
具体的,对第一图像进行分割得到多个第一布局结构图像。对第二图像进行分割得到多个第二布局结构图像。第一图像和第二图像通常由表示线、孔等版图元素的多边形组成的图像,通过分割可以得到若干个布局结构图像。如M3引线带孔线头、M3引线不带孔线头、L型拐线等。由于每个版图局部结构都结构单一、特征明显,因此便于进行特征提取和特征对比。
提取模块706,用于对多个第一布局结构图像进行特征提取得到第一形状特征信息;对多个第二布局结构图像进行特征提取得到第二形状特征信息。
具体的,对多个第一布局结构图像进行特征提取得到第一形状特征信息,第一形状特征信息包括:实物版图上的最小外接矩形的长度和宽度、左上角顶点坐标、重心坐标、面积、孔的中心位置等数据。对多个第二布局结构图像进行特征提取得到第二形状特征信息,第二形状特征信息包括设计版图上的最小外接矩形的长度和宽度、左上角顶点坐标、重心坐标、面积、孔的中心位置等数据。
第二获取模块708,用于根据第一形状特征信息和第二形状特征信息获取版图检测信息。
具体的,根据第一形状特征信息和第二形状特征信息获取版图检测信息的过程如下:可以是对比第一形状特征信息和第二形状特征信息,根据第一形状特征信息和第二形状特征信息的差异获取版图检测信息;还以是获取第一形状特征信息和第二形状特征信息的相似度,根据相似度和预先设定的相似度阈值的数值大小关系获取版图检测信息。其中,版图检测信息标识实物版图中硬件病毒信息。当相似度大于或等于相似度阈值时,获取的版图检测信息标识实物版图中无硬件病毒信息;当相似度小于相似度阈值时,获取的版图检测信息标识实物版图中存在硬件病毒信息,进一步地,可以对硬件病毒信息进行复验和分析,得到硬件病毒的型号。
上述检测装置利用第一获取模块702获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,第一图像和第二图像为同质图;利用分割模块704对第一图像进行分割处理得到多个第一布局结构图像,对第二图像进行分割处理得到多个第二布局结构图像;利用提取模块706对多个第一布局结构图像进行特征提取得到第一形状特征信息,对多个第二布局结构图像进行特征提取得到第二形状特征信息;利用第二获取模块708根据第一形状特征信息和第二形状特征信息获取版图检测信息。本申请提供的检测方法首先获取实物版图对应的第一图像,第一图像和第二图像同质,再分别对第一图像和第二图像进行分割和特征提取获取第一形状特征信息和第二形状特征信息,通过对比同质的第一图像和第二图像各自对应的形状特征信息获取版图检测信息。本申请通过对比同质的第一图像和第二图像各自对应的形状特征信息能够消除硬件采集第一图像的噪声;对第一图像和第二图像进行分割能够降低对比的难度,提升对比的准确性和稳定性,从而可以更准确检测集成电路实物版图中是否存在硬件木马等病毒,提升集成电路芯片制造的安全性。
上述检测装置中各个模块的划分仅用于举例说明,在其他实施例中,可将检测装置按照需要划分为不同的模块,以完成上述检测装置的全部或部分功能。
关于检测装置的具体限定可以参见上文中对于检测方法的限定,在此不再赘述。上述检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图8为一个实施例中电子设备的内部结构示意图。如图8所示,该电子设备包括通过系统总线连接的处理器和存储器。其中,该处理器用于提供计算和控制能力,支撑整个电子设备的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以下各个实施例所提供的一种硬件木马版图检测方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。该电子设备可以是手机、平板电脑、PDA(Personal DigitalAssistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑、穿戴式设备等任意终端设备。
本申请实施例中提供的检测装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在电子设备的存储器上。该计算机程序被处理器执行时,实现本申请实施例中所描述方法的步骤。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,当计算机可执行指令被一个或多个处理器执行时,使得处理器执行检测方法的步骤。
一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行检测方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种硬件木马版图检测方法,其特征在于,包括:
获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,所述第一图像和所述第二图像为同质图;
按照所述第一图像中集成电路的层次进行分割得到多个第一布局结构图像,按照所述第二图像中集成电路的层次进行分割得到多个第二布局结构图像;
对多个所述第一布局结构图像进行特征提取得到第一形状特征信息;对多个所述第二布局结构图像进行特征提取得到第二形状特征信息;
根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息;
其中,根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息,包括:
获取所述第一形状特征信息和所述第二形状特征信息的相似度;
当所述相似度小于相似度阈值时,根据所述第一形状特征信息和所述第二形状特征信息的差异,确定相似度小于阈值的至少一个第一布局结构图像;
根据所述第一布局结构图像和预存的病毒特征信息,从至少一个第一布局图像中获取硬件木马信息;
其中,所述获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,包括:
利用扫描电子显微镜采集所述集成电路的实物版图对应的微观图像;
基于循环一致性生成式对抗网络获取所述微观图像和所述设计版图各自对应的互连线特征,基于卷积神经网络获取所述微观图像和所述设计版图各自对应的孔特征;
根据所述微观图像对应的互连线特征和孔特征获取所述第一图像;根据所述设计版图对应的互连线特征和孔特征获取所述第二图像。
2.根据权利要求1所述的检测方法,其特征在于,所述根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息,包括:
利用距离度量算法获取所述第一形状特征信息和所述第二形状特征信息的相似度;
根据所述相似度获取所述版图检测信息。
3.根据权利要求2所述的检测方法,其特征在于,所述版图检测信息包括硬件木马信息和版图合格信息,所述根据所述相似度获取所述版图检测信息,包括:
当所述相似度小于相似度阈值,根据所述第一形状特征信息、所述第二形状特征信息和预存病毒信息获取所述硬件木马信息;
当所述相似度大于或等于所述相似度阈值时,生成所述版图合格信息。
4.根据权利要求3所述的检测方法,其特征在于,所述根据所述第一形状特征信息、所述第二形状特征信息和预存的病毒特征信息获取所述硬件木马信息,包括:
根据所述第一形状特征信息和所述第二形状特征信息的差异提取所述实物版图中的病毒特征信息;
将所述实物版图中的病毒特征信息和所述预存病毒信息进行对比确定出所述硬件木马信息。
5.根据权利要求2所述的检测方法,其特征在于,所述根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息,还包括:
选取距离度量算法计算实物版图中第一形状特征信息相关的坐标和设计版图中第二形状特征信息对应坐标之间的距离值,得到距离集合;
对距离集合中的数据进行归一化处理,得到归一化后的集合;
以归一化后的集合中的数据作为样本进行聚类分析,得到相似度阈值;
使用所述相似度阈值将归一化后的集合中的数据分为两类数据,一类为无硬件木马的距离值,一类为存在硬件木马的距离值;
将存在硬件木马的距离值所对应的版图局部区域挑选出来,标记为可疑点以供后续复查。
6.根据权利要求1所述的检测方法,其特征在于,所述根据所述微观图像对应的互连线特征和孔特征获取所述第一图像,包括:
根据所述微观图像对应的所述互连线特征和所述孔特征生成第一初步异质图像;
基于版图检查工具对所述初步异质图像进行修正获取所述第一图像。
7.一种硬件木马版图检测装置,其特征在于,包括:
第一获取模块,用于获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,所述第一图像和所述第二图像为同质图;
分割模块,用于按照所述第一图像中集成电路的层次进行分割得到多个第一布局结构图像,按照所述第二图像中集成电路的层次进行分割得到多个第二布局结构图像;
提取模块,用于对多个所述第一布局结构图像进行特征提取得到第一形状特征信息;对多个所述第二布局结构图像进行特征提取得到第二形状特征信息;
第二获取模块,用于根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息;
其中,根据所述第一形状特征信息和所述第二形状特征信息获取版图检测信息,包括:
获取所述第一形状特征信息和所述第二形状特征信息的相似度;
当所述相似度小于相似度阈值时,根据所述第一形状特征信息和所述第二形状特征信息的差异,确定相似度小于阈值的至少一个第一布局结构图像;
根据所述第一布局结构图像和预存的病毒特征信息,从至少一个第一布局图像中获取硬件木马信息;
其中,所述获取集成电路的实物版图对应的第一图像和设计版图对应的第二图像,包括:
利用扫描电子显微镜采集所述集成电路的实物版图对应的微观图像;
基于循环一致性生成式对抗网络获取所述微观图像和所述设计版图各自对应的互连线特征,基于卷积神经网络获取所述微观图像和所述设计版图各自对应的孔特征;
根据所述微观图像对应的互连线特征和孔特征获取所述第一图像;根据所述设计版图对应的互连线特征和孔特征获取所述第二图像。
8.根据权利要求7所述的检测装置,其特征在于,所述第二获取模块还用于利用距离度量算法获取所述第一形状特征信息和所述第二形状特征信息的相似度;根据所述相似度获取所述版图检测信息。
9.一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述的检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129610.7A CN111340788B (zh) | 2020-02-28 | 2020-02-28 | 硬件木马版图检测方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129610.7A CN111340788B (zh) | 2020-02-28 | 2020-02-28 | 硬件木马版图检测方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340788A CN111340788A (zh) | 2020-06-26 |
CN111340788B true CN111340788B (zh) | 2024-03-29 |
Family
ID=71182005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129610.7A Active CN111340788B (zh) | 2020-02-28 | 2020-02-28 | 硬件木马版图检测方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340788B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749524B (zh) * | 2021-01-18 | 2022-07-12 | 重庆邮电大学 | 一种基于残差编码器神经网络的硬件木马电路检测方法 |
CN117291137B (zh) * | 2023-11-22 | 2024-02-13 | 全芯智造技术有限公司 | 用于生成版图元素的方法、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010090152A1 (ja) * | 2009-02-04 | 2010-08-12 | 株式会社日立ハイテクノロジーズ | 半導体欠陥統合投影方法および半導体欠陥統合投影機能を実装した欠陥検査支援装置 |
CN105117646A (zh) * | 2015-07-31 | 2015-12-02 | 中国人民解放军国防科学技术大学 | 基于二维校准的硬件木马检测方法 |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN109360190A (zh) * | 2018-09-21 | 2019-02-19 | 清华大学 | 基于图像超像素融合的建筑损毁检测方法及装置 |
CN109785294A (zh) * | 2018-12-24 | 2019-05-21 | 苏州江奥光电科技有限公司 | 一种pcb板缺陷位置检测系统和方法 |
CN110135158A (zh) * | 2019-04-18 | 2019-08-16 | 中国人民解放军国防科技大学 | 一种基于热梯度阵列的无母本硬件木马检测方法 |
-
2020
- 2020-02-28 CN CN202010129610.7A patent/CN111340788B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010090152A1 (ja) * | 2009-02-04 | 2010-08-12 | 株式会社日立ハイテクノロジーズ | 半導体欠陥統合投影方法および半導体欠陥統合投影機能を実装した欠陥検査支援装置 |
CN105117646A (zh) * | 2015-07-31 | 2015-12-02 | 中国人民解放军国防科学技术大学 | 基于二维校准的硬件木马检测方法 |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN109360190A (zh) * | 2018-09-21 | 2019-02-19 | 清华大学 | 基于图像超像素融合的建筑损毁检测方法及装置 |
CN109785294A (zh) * | 2018-12-24 | 2019-05-21 | 苏州江奥光电科技有限公司 | 一种pcb板缺陷位置检测系统和方法 |
CN110135158A (zh) * | 2019-04-18 | 2019-08-16 | 中国人民解放军国防科技大学 | 一种基于热梯度阵列的无母本硬件木马检测方法 |
Non-Patent Citations (4)
Title |
---|
刘志强.一种深度学习的硬件木马检测算法.西安电子科技大学学报.2019,第46卷(第46期),第38-第43页. * |
刘燕江 ; 何春华 ; 王力纬 ; 恩云飞 ; 谢少锋 ; 谢云.基于遗传算法的硬件木马检测方法.微电子学与计算机.2016,33(11),全文. * |
薛明富 ; 胡爱群 ; 刘威 ; 王有东.基于子空间域特征提取的硬件木马检测方法.东南大学学报. 自然科学版.2014,44(3),全文. * |
赵毅强 ; 何家骥 ; 杨松 ; 刘沈丰 ; .集成电路中硬件木马防御技术研究.计算机工程.2016,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111340788A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740606B (zh) | 一种图像识别方法及装置 | |
CN106447592B (zh) | 每个特征描述符的在线个性化服务 | |
CN112001406B (zh) | 一种文本区域检测方法及装置 | |
CN111340788B (zh) | 硬件木马版图检测方法、装置、电子设备和可读存储介质 | |
CN111027412B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN109389110B (zh) | 一种区域确定方法及装置 | |
CN111912846A (zh) | 一种基于机器视觉的表面缺陷与边缘毛刺检测方法 | |
CN112580668A (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN113420848A (zh) | 神经网络模型的训练方法及装置、手势识别的方法及装置 | |
CN115690672A (zh) | 异常图像识别方法、装置、计算机设备和存储介质 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN111768345B (zh) | 身份证背面图像的校正方法、装置、设备及存储介质 | |
CN117173090A (zh) | 焊接缺陷类型识别方法、装置、存储介质及电子设备 | |
CN112036232A (zh) | 一种图像表格结构识别方法、系统、终端以及存储介质 | |
CN110909733A (zh) | 基于ocr图片识别的模版定位方法、装置和计算机设备 | |
CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
CN113033542B (zh) | 一种文本识别模型的生成方法以及装置 | |
CN113392455B (zh) | 基于深度学习的户型图比例尺检测方法、装置及电子设备 | |
Wong et al. | Automatic target recognition based on cross-plot | |
CN112529923A (zh) | 一种控件识别方法及装置 | |
CN117237347B (zh) | Pcb板缺陷检测方法、装置、存储介质及电子设备 | |
CN113837287B (zh) | 证件异常信息识别方法、装置、设备及介质 | |
JP2014232373A (ja) | 照合対象抽出システム、照合対象抽出方法、照合対象抽出プログラム | |
CN116402842B (zh) | 边缘缺陷检测方法、装置、计算机设备及存储介质 | |
CN111145230B (zh) | 一种图像配准质量检测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |