-
公开(公告)号：CN113821840A
公开(公告)日：2021-12-21
申请号：CN202110935464.1
申请日：2021-08-16
Applicant: 西安电子科技大学
Abstract: 本发明属于电路设计领域，公开了一种基于Bagging的硬件木马检测方法、介质、计算机，从基于Verilog的门级网表文件中，提取硬件木马电路的有效特征矩阵；使用SMOTH技术对特征数据集进行预处理，从而平衡木马电路特征和普通电路特征的数量；利用LSTM神经网络模型建立基于Bagging集成方法的检测模型；使用构建好的Bagging集成木马检测模型对门级网表进行检测。本发明对门级网表的每个逻辑门和寄存器都进行特征提取和预测，可以精准确定木马电路在门级网表中的位置，便于设计人员对门级网表进行检查和修改。另外，这种特征提取方式并不需要整个网表信息，所以便于对局部网表电路进行木马检测。
-
公开(公告)号：CN113821840B
公开(公告)日：2024-10-01
申请号：CN202110935464.1
申请日：2021-08-16
Applicant: 西安电子科技大学
IPC: G06F21/76 , G06F18/10 , G06F18/214 , G06F18/2431 , G06N3/0442 , G06N3/08
Abstract: 本发明属于电路设计领域，公开了一种基于Bagging的硬件木马检测方法、介质、计算机，从基于Verilog的门级网表文件中，提取硬件木马电路的有效特征矩阵；使用SMOTH技术对特征数据集进行预处理，从而平衡木马电路特征和普通电路特征的数量；利用LSTM神经网络模型建立基于Bagging集成方法的检测模型；使用构建好的Bagging集成木马检测模型对门级网表进行检测。本发明对门级网表的每个逻辑门和寄存器都进行特征提取和预测，可以精准确定木马电路在门级网表中的位置，便于设计人员对门级网表进行检查和修改。另外，这种特征提取方式并不需要整个网表信息，所以便于对局部网表电路进行木马检测。
-
公开(公告)号：CN113553630B
公开(公告)日：2023-06-23
申请号：CN202110658737.2
申请日：2021-06-15
Applicant: 西安电子科技大学
IPC: G06F21/76
Abstract: 本发明属于硬件安全技术领域，公开了一种基于无监督学习的硬件木马检测系统和信息数据处理方法，通过分析电路结构和木马电路运行逻辑，提出木马检测需要的特征；结合随机森林、相关性矩阵和平行坐标图分析特征的重要程度，对特征进行筛选，得到最佳特征集；采用主成分分析PCA方法对高维数据特征进行降维；采用降维后的数据训练Isolation Forest无监督模型，得到最佳训练模型；采用测试数据进行测试，根据测试结果计算准确度等参数，评估模型。本发明在减少数据维度的同时保留了数据的绝大部分信息，有效提高准确度，减少训练时间，同时使用无监督学习的方法，解决硬件木马检测领域标签值不易获得甚至无法获得的难题。
-
公开(公告)号：CN116167047A
公开(公告)日：2023-05-26
申请号：CN202211559562.0
申请日：2022-12-06
Applicant: 西安电子科技大学
IPC: G06F21/56 , G06F21/71 , G06F18/2415 , G06F18/214 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/047 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种基于生成对抗图神经网络的硬件木马检测方法，主要解决现有技术中对黄金模型依赖、不具备拓展性的问题。其方案是：选择嵌入木马网表作为样本集并按比例分为训练集和测试集，并分别对其网表进行映射得到各自的邻接矩阵；分别提取训练集和测试集表中所有网表的节点特征，得到各自的特征矩阵；对训练集的邻接矩阵进行合并处理得到稀疏矩阵；构建生成器与鉴别器级联的生成对抗图神经网络并利用稀疏矩阵和特征矩阵对其训练；使用训练好的网络对测试集进行检测，获得正常节点与硬件木马的分类结果。本发明无需依赖现有技术依赖的启发式特征，提升了硬件木马生成器及检测未知类型硬件木马的能力，可用于定位数字集成电路网表级的检测。
-
Patent Agency Ranking
公开(公告)号：CN115941159A
公开(公告)日：2023-04-07
申请号：CN202211550592.5
申请日：2022-12-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于复合域循环S盒掩码抗侧信道攻击的AES电路，主要解决现有抵抗高阶侧信道攻击时硬件资源消耗大的问题。其由四级流水线模块依次级联构成：第一级模块用于选择每轮数据输入与掩码生成；第二级模块由16个并联的逆掩码S盒子模块分别与第二寄存器组成，实现S盒输入防护、逆仿射运算与部分求逆运算；第三级模块由16个并联的掩码S盒子模块分别与第三寄存器组成，实现S盒输出防护、部分求逆运算与仿射运算；第四级模块实现列混淆输出防护与掩码修正，其输出经过轮密钥加操作后反馈到第一级模块的第一多选器，构成一个轮变换整体电路。本发明能以较低硬件资源消耗有效抵抗高阶侧信道攻击，可用于密码安全系统。
-
公开(公告)号：CN116167047B
公开(公告)日：2025-05-16
申请号：CN202211559562.0
申请日：2022-12-06
Applicant: 西安电子科技大学
IPC: G06F21/56 , G06F21/71 , G06F18/2415 , G06F18/214 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/047 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种基于生成对抗图神经网络的硬件木马检测方法，主要解决现有技术中对黄金模型依赖、不具备拓展性的问题。其方案是：选择嵌入木马网表作为样本集并按比例分为训练集和测试集，并分别对其网表进行映射得到各自的邻接矩阵；分别提取训练集和测试集表中所有网表的节点特征，得到各自的特征矩阵；对训练集的邻接矩阵进行合并处理得到稀疏矩阵；构建生成器与鉴别器级联的生成对抗图神经网络并利用稀疏矩阵和特征矩阵对其训练；使用训练好的网络对测试集进行检测，获得正常节点与硬件木马的分类结果。本发明无需依赖现有技术依赖的启发式特征，提升了硬件木马生成器及检测未知类型硬件木马的能力，可用于定位数字集成电路网表级的检测。
-
公开(公告)号：CN116956121A
公开(公告)日：2023-10-27
申请号：CN202310797828.3
申请日：2023-06-30
Applicant: 西安电子科技大学
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度神经网络和多维特征的硬件木马检测方法，涉及硬件安全技术领域，包括：获取待测网表电路；使用训练好的深度神经网络对待测网表电路进行分类，判断待测网表电路中的信号为正常信号或木马信号；其中，训练好的深度神经网络根据训练数据集获取，训练数据集通过使用数据增强方法扩充硬件木马特征向量库、并处理噪声样本获取，硬件木马特征向量库中的特征包括网表电路中的信号的静态结构特征和网表电路中的信号的可测试性特征。本发明能够准确有效的获取分类结果。
-
公开(公告)号：CN116522334A
公开(公告)日：2023-08-01
申请号：CN202310281789.1
申请日：2023-03-21
Applicant: 西安电子科技大学 , 北京轩宇空间科技有限公司
IPC: G06F21/56 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于图神经网络的RTL级硬件木马检测方法及存储介质，通过将携带木马逻辑的RTL代码展平化，对代码进行解析提取出语法树；之后基于语法树提取电路信号的数据流，并将所有信号的数据流合并为一个整体的数据流图，使用稀疏矩阵保存；接着提取图结构特征并对构建的图神经网络模型进行训练；最后使用训练好的模型对待测RTL代码进行测试，并将检测结果反标回RTL代码，检测出含有硬件木马逻辑的代码块。本发明实现了以代码行为精度的RTL级硬件木马检测，基本能实现所有节点的正确分类，不需要动态仿真，且使用了图神经网络和节点的本征特征，模型的泛化能力更强，有较大的实用价值。
-
公开(公告)号：CN113553630A
公开(公告)日：2021-10-26
申请号：CN202110658737.2
申请日：2021-06-15
Applicant: 西安电子科技大学
IPC: G06F21/76
Abstract: 本发明属于硬件安全技术领域，公开了一种基于无监督学习的硬件木马检测系统和信息数据处理方法，通过分析电路结构和木马电路运行逻辑，提出木马检测需要的特征；结合随机森林、相关性矩阵和平行坐标图分析特征的重要程度，对特征进行筛选，得到最佳特征集；采用主成分分析PCA方法对高维数据特征进行降维；采用降维后的数据训练Isolation Forest无监督模型，得到最佳训练模型；采用测试数据进行测试，根据测试结果计算准确度等参数，评估模型。本发明在减少数据维度的同时保留了数据的绝大部分信息，有效提高准确度，减少训练时间，同时使用无监督学习的方法，解决硬件木马检测领域标签值不易获得甚至无法获得的难题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
