[发明专利]基于热传递的芯片硬件木马检测方法

权利要求书

1.一种基于热传递的芯片硬件木马检测方法，其特征在于，包括以下步骤：

(1)获取训练样本集和测试样本集：

(1a)获取标准芯片图像K幅和待检测的可疑芯片图像K幅，并对2K幅芯片图像进行处理，对处理后的每幅芯片图像进行1/4降采样，得到降采样后的2K幅芯片图像，其中，K≥1000；

(1b)将每幅芯片图像裁剪为大小为H×H的图像块，同时将该幅芯片图像对应的降采样后的芯片图像裁剪为大小为的图像块，并将每幅芯片图像裁剪的图像块作为对应的降采样后裁剪的图像块的标签，然后随机选取其中N个降采样后的标准芯片图像及其标签以及N个降采样后的待检测的可疑芯片图像及其标签组成训练样本集R₁，将剩余降采样后的标准芯片图像及其标签以及待检测的可疑芯片图像及其标签组成测试样本集E₁，其中，H≥256；

(2)构建热传递的超分网络模型O：

构建包括顺次连接的D个热传递子网络、上采样模块的超分网络模型O；每个热传递子网络包括并行排布的PVFE残差网络和离散小波变换残差网络；PVFE残差网络包括卷积层、PVFE残差提取层、通道注意力模块，通道注意力模块包括池化层、多个卷积层和多个非线性激活层；离散小波变换残差网络包括单级二维离散小波变换层、深度学习残差网络、二维离散小波逆变换层、卷积层，深度学习残差网络包括并行排布的四条支路，每条支路均包括多个卷积层和非线性激活层；

(3)对热传递的超分网络模型O进行迭代训练：

(3a)初始化迭代次数为s，最大迭代次数为S，S≥10000，第s次迭代的超分网络模型为O_s，并令s＝1，O_s＝O；

(3b)将训练样本集R₁作为超分网络模型O_s的输入，离散小波变换残差网络对训练样本集中的每个标准芯片图像和待检测的可疑芯片图像在频域中进行图像重建，得到N个标准芯片图像的中间图像和N个待检测的可疑芯片图像的中间图像；同时PVFE残差网络对训练样本集中的每个标准芯片图像和待检测的可疑芯片图像进行特征提取，得到N个标准芯片图像的特征图以及N个待检测的可疑芯片图像的特征图，对每个特征图进行图像重建，得到N个标准芯片图像的补偿图像和N个待检测的可疑芯片图像的补偿图像；将N个标准芯片的补偿图像与其对应位置的N个标准芯片的中间图像逐元素相加以及N个待检测的可疑芯片图像的补偿图像与其对应位置的N个待检测的可疑芯片图像的中间图像逐元素相加，重复D次，得到N个包含丰富细节和边缘信息的标准芯片图像和N个包含丰富细节和边缘信息的待检测的可疑芯片图像；上采样模块对每个包含丰富细节和边缘信息的标准芯片图像和每个包含丰富细节和边缘信息的待检测的可疑芯片图像进行上采样，得到N个标准芯片图像的重建图像和N个待检测的可疑芯片图像的重建图像；

(3c)采用L1范数计算损失函数，并通过每幅重建图像和其对应训练样本标签计算O_s的损失值L_s，通过链式法则分别计算L_s对网络中的权值参数ω_s及偏置参数b_s的偏导和并根据对ω_s、b_s进行更新；

(3d)判断s≥S是否成立，若是，得到训练好的超分网络模型O*，否则，令s＝s+1，并执行步骤(3b)；

(4)获取图像重建结果：

将测试样本集E₁作为训练好的超分网络模型O*的输入进行前向传播，得到测试样本集所对应的K-N个标准芯片图像所对应的重建图像和对应的K-N个待检测的可疑芯片图像所对应的重建图像；

(5)获取芯片硬件木马检测结果：

采用形态学检测算法，通过每个标准芯片图像所对应的重建图像判断每个待检测可疑芯片所对应的重建图像中是否含有硬件木马，以及硬件木马位置。

2.根据权利要求1所述的基于热传递的芯片硬件木马检测方法，其特征在于，步骤(1a)中所述的对2K幅芯片图像进行处理，具体为：

对标准芯片和待检测的可疑芯片的表面层进行研磨和腐蚀去除待测芯片的包装，使芯片的金属结构暴露出来，并对暴露的芯片进行染色，对然后利用光学显微镜或电子扫描仪对标准芯片和待检测的可疑芯片进行显微图像成像，获取标准芯片图像和待检测的可疑芯片图像。