[发明专利]基于神经网络的硬件木马检测方法

权利要求书

1.一种基于神经网络的硬件木马检测方法，其特征是，利用训练神经网络算法来处理旁路信息，从而实现硬件木马的识别，其中神经网络为自组织神经网络，是无监督的神经网络，采用无教师的学习方式，通过寻找输入样本中的内在规律，不断地对网络参数进行自动修正，实现对输入样本的自动分类，其网络学习规则采用竞争学习，自组织神经网络的输出神经元通过相互竞争来获取对于输入样本的响应机会，同一时刻只有一个神经元胜出并通过竞争获得胜利；结构上，自组织神经网络只包含两层神经元，第一层为输入层，第二层为竞争层即输出层，两层之间神经元间实现全互连。

2.如权利要求1所述的基于神经网络的硬件木马检测方法，其特征是，具体步骤如下：

步骤1：旁路信息采集平台搭建：由FPGA芯片、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、高精度固定平台以及计算机组成，用于测量电路工作过程中的电压、电流、功耗、电磁等信息；

步骤2：原始电路信息采集：将不含硬件木马的原始电路下载至FPGA芯片中，利用旁路信息采集平台采集其工作过程中的功耗信息，共采集1000个周期的实验数据，每个周期采集1000个数据点；

步骤3：神经网络训练：利用matlab实现自组织神经网络，其输入层包含1000个神经元，竞争层包含2个神经元，利用步骤2中的1000组测试数据对神经网络进行训练；

步骤4：待测电路数据测量：对待测的功耗信息进行采集，仅需采集1组数据，该组数据需包含1000个点；

步骤5：数据区分：将待测电路数据设置为步骤3中训练好的神经网络的输入数据，观察输出结果，若输出结果与原始数据一致，认为待测电路△不含硬件木马，反之则认为其中含有硬件木马成分。

3.如权利要求1所述的基于神经网络的硬件木马检测方法，其特征是，具体训练过程如下：

a)权连接初始化，对所有从输入结点到输出结点的连接权值赋予随机的小数，置时间计数t＝0；

b)对网络输入模式xk＝(x1,x2,…,xn)，n＝1000，Xk分别表示1000组测试数据，xi则表示每组数据中的1000个点；

c)计算输入与全部输出结点所连接向量的距离dj：

d j = Σ i = 1 n ( x i k - w i j ) 2 , i = { 1 , 2 , ... , n } , j ∈ { 1 , 2 , ... , m } ]]>

式中wij表示设定的输出节点；

d)具有最小距离的结点Nj竞争获胜；

e)调整输出结点j*所连接的权值Nj*及几何邻域NEj*内的结点所连权值

Δw i j = η ( t ) ( x i k - w i j ) , N j ∈ NE j * ( t ) , i ∈ { 1 , 2 , ... , n } ]]>

其中η(t)是训练时间t和邻域内第j个神经元与获胜神经元Nj*之间的拓扑距离N的函数；

f)重复步骤b-e，直至1000组数据训练完毕。

4.如权利要求3所述的基于神经网络的硬件木马检测方法，其特征是，步骤4：待测电路数据测量：对待测的功耗信息进行采集，仅需采集1组数据，该组数据需包含1000个点。