基于功耗特征的硬件木馬檢測方法

張毅軍 張曉 林少鋒 趙源

摘要：芯片功耗數(shù)據(jù)采集時會存在多種噪聲，為了保證數(shù)據(jù)可靠，采用國際上通用的AES電路，在FPGA中寫入帶木馬邏輯的電路，并對其進行功耗數(shù)據(jù)提取。針對噪聲對硬件木馬檢測的影響，結(jié)合功耗數(shù)據(jù)的特性提出了基于小波變換的功耗降噪算法，選取了最優(yōu)的小波降噪?yún)?shù)，有效優(yōu)化各種噪聲影響。針對芯片正常性檢測與硬件木馬識別過程中，特征識別模型對檢測精度影響較大的問題，提出了基于神經(jīng)網(wǎng)絡(luò)的硬件木馬特征識別算法，能夠很好地區(qū)分數(shù)據(jù)之間的細微差別，對去噪后的數(shù)據(jù)進行硬件木馬檢測，大量實驗結(jié)果表明，對芯片中的硬件木馬識別率大于90%，可以識別規(guī)模大于0.05%的硬件木馬功耗數(shù)據(jù)。

關(guān)鍵詞：硬件木馬;小波降噪;神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2019）31-0015-02

1概述

硬件木馬是指為了達到改變電路功能或工作狀態(tài)等目的而在集成電路中插入的惡意邏輯。通常硬件木馬在電路中處于隱蔽狀態(tài)，激活后進行信息竊取、旁路泄漏、失效加速、邏輯破壞、物理摧毀、資源強占等攻擊。目前我國的高端、高檔集成電路主要依賴進口。硬件木馬檢測對于工業(yè)應用進口芯片進行嚴格把關(guān)，杜絕問題芯片流入我國航空、軍工等工業(yè)市場具有重要意義。

目前，硬件木馬的檢測技術(shù)包括：失效分析技術(shù)、邏輯功能測試技術(shù)、側(cè)信道分析技術(shù)。由于側(cè)信道分析技術(shù)擁有不會對芯片造成破壞、檢測效率高且檢測成本低、可以對一批芯片中的大量芯片進行檢測的優(yōu)點，因此，側(cè)信道分析技術(shù)成為了主流的硬件木馬檢測技術(shù)。但是，在利用側(cè)信道分析技術(shù)對硬件木馬進行檢測的過程中，芯片以及檢測設(shè)備會受到外界以及系統(tǒng)內(nèi)部噪聲的影響。噪聲的存在會削弱甚至淹沒硬件木馬對電路的影響，這使得硬件木馬的檢出率大大地降低。本文提出了一種基于小波變換的數(shù)據(jù)降噪預處理，并結(jié)合神經(jīng)網(wǎng)絡(luò)算法進行硬件木馬的檢測方法。

2木馬設(shè)計

硬件木馬FPGA的設(shè)計主要目的是進行木馬芯片功耗數(shù)據(jù)的采集。通過對FPGA的邏輯設(shè)計，使木馬的功耗數(shù)據(jù)更加真實，從而使得木馬芯片功耗數(shù)據(jù)的特征更明顯。在采集時會得到攜帶噪聲的數(shù)據(jù)，相比于模擬數(shù)據(jù)而言，噪聲數(shù)據(jù)更自然，這也會使之后的去噪效果更好。

3功耗數(shù)據(jù)采集

首先完成攻擊電路和硬件木馬的Verilog設(shè)計，并對設(shè)計電路進行功能驗證;隨后利用ISE綜合工具對原始電路和植入硬件木馬電路進行綜合，生成FPGA的配置bitstream文件;通過JTAG將bit流文件燒寫到FPGA中，施加合適的測試向量是FP-GA執(zhí)行加密操作;通過FPGA功耗采集平臺采集芯片的工作電流得到芯片的工作功耗波形，并將功耗數(shù)據(jù)傳輸至PC上位機存儲。

4小波降噪模塊設(shè)計

4.1小波去噪原理

小波分析被稱為“數(shù)學顯微鏡”，是一種時頻域局部化分析方法。它將時域的一維信號轉(zhuǎn)換到時頻域的二位空間。小波變換不同于傅里葉變換，它的窗口面積固定但形狀是可變的。通過窗口的平移和伸縮，使其在信號低頻部分具有較高的頻率分辨率和較低的時間分辨率，在信號高頻部分則反之。因此，小波變換具有對信號的任意細節(jié)進行時頻分析的能力，即多分辨率分析。

功耗采集平臺獲取的功耗數(shù)據(jù)記為r（t），信號r（t）的連續(xù)小波變換為WTr（a，τ）：

a和τ分別為伸縮和平移因子，其中，ψaτ（t）被稱為小波基函數(shù)：

小波分解函數(shù)是由同一母函數(shù)經(jīng)過伸縮平移變換而成的一系列函數(shù)。小波變換就是利用小波基對原函數(shù)進行分解重構(gòu)，無限逼近原函數(shù)的過程。

小波變換使得信號在不同尺度進行分解，并由將各種不同頻率組成的混合信號分解成不同頻帶的子信號。而噪聲分布一般都存在于高頻部分。因此，通過選取合理的閾值就可以有效去除高頻部分的噪聲。小波去噪流程如下：

（1）信號的小波分解：選擇合適的小波基和分解層次，對信號進行分解，計算出小波分解系數(shù)。

（2）高頻系數(shù)的閾值量化處理：對不同分解層次選取合適的閾值，對高頻系數(shù)進行處理，去除噪聲。

（3）信號的小波重構(gòu)：將低頻系數(shù)和閾值化處理后的高頻系數(shù)進行小波重構(gòu)，還原出消除噪聲的信號。

若rk為功耗信號r（t）的離散采樣數(shù)據(jù)，且rk=cok，則信號r（t）的正交小波變換分解公式為：

4.2小波去噪關(guān)鍵因素

（1）小波基

理論上來說小波變換可以刻畫信號的任何細節(jié)，但是在實際應用中，對目標信號的去噪效果很大程度上取決于小波基的選擇。與傅里葉變換不同，小波基不是唯一的，不同的小波基波形差別很大，且其支撐長度、正交性、緊支性等都不盡相同。因此，對同一個信號選用不同的小波基進行處理所得的結(jié)果往往不同。因此，小波基函數(shù)的選擇就成了小波分析在實際應用中的一個十分重要的問題。

（2）重構(gòu)閾值

閾值去噪是一種非線性去噪方法，具有實現(xiàn)簡單，計算量小的優(yōu)點。正交小波變換具有很強的數(shù)據(jù)相關(guān)性，信號的能量在小波域集中在一些大的有限的系數(shù)中。即小波分解后，信號的系數(shù)相對于噪聲的系數(shù)要大。這樣就可以設(shè)定一個合適閾值，來濾除低于閾值的噪聲系數(shù)。為了保持信號的整體形狀，盡量少的損失有效信號，小波分解后應保留低頻系數(shù)，對1至N層的高頻系數(shù)采用閾值法進行量化處理。

5神經(jīng)網(wǎng)絡(luò)算法

5.1BP神經(jīng)網(wǎng)絡(luò)算法網(wǎng)絡(luò)訓練過程

BP神經(jīng)網(wǎng)絡(luò)預測前首先要訓練網(wǎng)絡(luò)，通過訓練網(wǎng)絡(luò)使網(wǎng)絡(luò)具有聯(lián)想記憶和預測能力。BP神經(jīng)網(wǎng)絡(luò)訓練過程包括以下幾個步驟。

步驟1：網(wǎng)絡(luò)初始化。根據(jù)系統(tǒng)輸入輸出序列（x，Y）確定網(wǎng)絡(luò)輸入層節(jié)點數(shù)n、隱含層節(jié)點數(shù)1，輸出層節(jié)點數(shù)m，初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值Wij、Wjk，初始化隱含層閾值a，輸出層閾值b，給定學習速率和神經(jīng)元激勵函數(shù)。

步驟2：隱含層輸出計算。根據(jù)輸入向量x，輸入層和隱含層間連接權(quán)值wij以及隱含層閾值a，計算隱含層輸出H。

步驟6：閾值更新。根據(jù)網(wǎng)絡(luò)預測誤差e更新網(wǎng)絡(luò)節(jié)點閾值a，b。

步驟7：判斷算法迭代是否結(jié)束，若沒有結(jié)束，返回步驟2。

5.2芯片正常性檢測的實現(xiàn)

取4組母本電路功耗數(shù)據(jù)A、B、C、D，每組數(shù)據(jù)12000個，將A組數(shù)據(jù)從頭至尾每隔500個數(shù)據(jù)截為一段，分為24段，將每段數(shù)據(jù)第一個數(shù)據(jù)組為1組，第二個數(shù)據(jù)同樣組為第2組，以此類推形成500組數(shù)據(jù)，每組數(shù)據(jù)含數(shù)據(jù)24個。將B、c、D照此法同樣處理。

A：將500組來自數(shù)據(jù)組A的數(shù)據(jù)均在開頭加上標識1得到大數(shù)組E;

B：將500組來自數(shù)據(jù)組B的數(shù)據(jù)均在開頭加上標識2得到大數(shù)組F;

c：將500組來自數(shù)據(jù)組c的數(shù)據(jù)均在開頭加上標識3得到大數(shù)組G;

D：將500組來自數(shù)據(jù)組D的數(shù)據(jù)均在開頭加上標識4得到大數(shù)組H。

將重新處理后的E、F、G、H四組數(shù)據(jù)放入神經(jīng)網(wǎng)絡(luò)中訓練，取一待測電路功耗數(shù)據(jù)D，它同樣包含數(shù)據(jù)1200個。照A組數(shù)據(jù)處理方法做同樣處理得到數(shù)據(jù)N，將大數(shù)組N放入神經(jīng)網(wǎng)絡(luò)中進行處理，神經(jīng)網(wǎng)絡(luò)識別數(shù)組細微差別，進行分類。每個大數(shù)據(jù)中的500個數(shù)據(jù)組可看作大數(shù)據(jù)的500個細微特征共同組成大數(shù)據(jù)的整體特征，4組輸入訓練的大數(shù)據(jù)因其均為正常數(shù)據(jù)故其整體特征極為相似，其500個細微特征也均極為相似。若待測數(shù)據(jù)為正常數(shù)據(jù)，則其整體特征與4組輸入大數(shù)據(jù)整體特征也極為相似，神經(jīng)網(wǎng)絡(luò)將每組數(shù)據(jù)（每個細微特征）分類為1、2、3、4類的可能性均等，均為近25%，故整體500組數(shù)據(jù)的分類情況是極為離散的，而若待測數(shù)據(jù)中為含有木馬程序的數(shù)據(jù)，則其整體特征與4組輸人大數(shù)據(jù)整體特征極為不同，但其總是與4組大數(shù)據(jù)中1組數(shù)據(jù)整體特征的相似度要高于其他3組。故其500組細微特征中大部分細微特征也與該組輸人數(shù)據(jù)的對應細微特征更相似，故神經(jīng)網(wǎng)絡(luò)進行分類時會將大部分組數(shù)據(jù)分為該類，成歸一態(tài)勢，以此來區(qū)分正常芯片與問題芯片。

6結(jié)論

本文通過對功耗數(shù)據(jù)中隱藏噪聲的分析，提出了基于小波變換的旁路信息降噪算法，基于大量實測功耗數(shù)據(jù)進行實驗，分析得到了最適合的一系列小波去噪?yún)?shù)。并結(jié)合神經(jīng)網(wǎng)絡(luò)算法的后數(shù)據(jù)處理，判別電路中是否含有硬件木馬。實驗結(jié)果表明，通過小波變換的降噪預處理，側(cè)信道數(shù)據(jù)中的噪聲含量明顯地降低，神經(jīng)網(wǎng)絡(luò)算法可判別占母本電路面積為0.05%的硬件木馬，誤差率小于0.5%。