论文摘要
由于传统的硬件木马检测均采用功能测试等电信号检测技术,检测方法存在成本高、漏检率高和效率低下等问题,对此提出了一种深度学习的非电信号硬件木马检测算法。该算法首先利用增强残差网络将低分辨率芯片显微图像转换为高分辨率芯片显微图像;然后通过循环一致对抗生成网络将该高分辨率图像生成与母版图像同源的芯片显微图像,生成的芯片显微图像通过二阶微分图像增强算法区分出目标区域与背景区域,并结合阈值分割算法将目标区域分割出来;最后通过数学形态学操作去除由于工业噪声产生的微小干扰,利用变化检测算法检测芯片中存在的硬件木马。通过在芯片显微图像数据集上的实验显示,基于深度学习的硬件木马检测方法正检率高达约92.4%,与传统的电信号检测方法相比,精度更高,速度更快,且操作更简易。
论文目录
文章来源
类型: 期刊论文
作者: 刘志强,张铭津,池源,李云松
关键词: 硬件木马检测,深度学习,图像增强,图像分割,数学形态学操作,变化检测
来源: 西安电子科技大学学报 2019年06期
年度: 2019
分类: 信息科技
专业: 计算机软件及计算机应用,自动化技术
单位: 西安电子科技大学综合业务网理论及关键技术国家重点实验室,中国科学院光谱成像技术重点实验室,电子元器件可靠性物理及其应用技术重点实验室
基金: 国家自然科学基金（61902293）,陕西省自然科学基础研究计划（2018JQ6028）,中央高校基本科研业务费专项基金（XJS17109,JBX180102）,中国博士后科学基金面上项目（2017M623125）,电子元器件可靠性物理及其应用技术重点实验室开放基金（17D03-ZHD201701）,国家部委纵向“十三五”公用信息系统装备研究项目（3151****403）,中国科学院光谱成像技术重点实验室开放基金（LSIT201901W）
分类号: TP391.41;TP18
DOI: 10.19665/j.issn1001-2400.2019.06.006
页码: 37-45
总页数: 9
文件大小: 1866K
下载量: 236