[发明专利]基于概率神经网络的硬件木马检测方法

权利要求书

1.一种基于概率神经网络的硬件木马检测方法，其特征是，步骤如下：

(1)建立集成电路侧信道平台，采集待测电路的侧信道信息：根据侧信道分析的原理，围绕集成电路搭建其侧信道平台，利用侧信道平台采集待测电路在工作状态下泄露的侧信道信息；

(2)侧信道信息的降噪预处理：对所有待测电路的侧信道信息进行降噪预处理，得到平滑的侧信道信息；

(3)待测芯片的硬件木马芯片判别：抽取两类芯片中的部分芯片，利用反向解剖技术将部分芯片进行反向分析，确定原始芯片和木马芯片；

(4)确定分布参数σ，利用原始芯片的侧信道信息训练神经网络：确定神经网络的分布参数σ，根据反向分析结果，抽取部分原始芯片和木马芯片的侧信道信息来训练神经网络，并利用训练数据来验证神经网络，如果存在误识别率，则重新调整分布参数σ的大小，直到训练的神经网络正确为止；

(5)待测芯片的类别确定：利用步骤4得到的神经网络对所有待测芯片进行分类，当待测芯片归于原始芯片类，则认定待测芯片为原始芯片，否则认定待测芯片为木马芯片；

(6)判断验证是否结束：当待测芯片全部验证完毕，则结束验证过程，否则跳回到步骤5，继续进行验证，直到所有待测芯片都验证结束。

2.如权利要求1所述的基于概率神经网络的硬件木马检测方法，其特征是，概率神经网络的结构，包括输入层、模式层、求和层和输出层四部分，输入层的神经元个数与训练样本的特征个数相等，是读取神经网络的训练样本X，式层用来计算输入样本x与训练样本X之间的接近程度，它的神经元的个数与训练样本的总数相等，模式层中输入样本x与训练样本X的关系可以通过概率密度函数f_ij(x)来表示：

其中N为训练样本的特征个数，X_ij为训练样本中第i类中的第j个样本，σ为分布参数；

求和层是将隶属于同一模式的神经元连接，并将输入的概率密度函数f_ij(x)相加，不与其他模式的神经元相加，得到平均的概率密度函数f_i(x)

其中N_i为第i类中的样本个数；

输出层将不同模式中概率密度估计值中拥有最大后验概率密度的输出层单元作为该概率神经网络的输出，输出层的神经元的个数与训练样本的类别相等，输出输入样本的类别C(x)表示为：