基于主成分分析和对数几率回归的硬件木马检测

计算机工程与科学

基于主成分分析和对数几率回归的硬件木马检测

张金玲1，吕蕾2

(1.中国人民大学信息学院，北京 100872;

2.山东师范大学信息科学与工程学院，山东济南 250014)

收稿日期:2018-04-10 修回日期:2018-05-28 出版日期:2018-07-25 发布日期:2018-07-25
基金资助:
国家自然科学基金（61502505）

Hardware Trojan detection based on

PCA and logistics regression

ZHANG Jinling1，L Lei2

(1.School of Information,Renmin University of China,Beijing 100872;

2.School of Information Sciences and Engineering,Shandong Normal University,Jinan 250014,China)

Received:2018-04-10 Revised:2018-05-28 Online:2018-07-25 Published:2018-07-25

摘要/Abstract

摘要：

提出基于主成分分析和对数几率回归的硬件木马检测模型，以提高对硬件木马芯片的检测性能。对采集的旁路功耗信号进行主成分分析组合并选择主要特征，屏蔽信号噪声影响，简化计算操作。利用对数几率回归算法训练分类器，通过计算芯片包含和不包含木马可能性对数比率进行硬件木马识别。设计并搭建FPGA实验平台进行模型验证，通过查准率和查全率评估模型性能。实验结果表明，此模型能够准确高效地检测出硬件木马。

关键词: 硬件木马, 旁路信号, 主成分分析, 对数几率回归

Abstract:

We propose a hardware Trojan detection model based on the PCA and logistics regression to promote the detection performance of the IC planted with hardware Trojan. We employ the PCA to analyze the collected side channel power signals and select main features, remove the effect of noise, and simplify the computation. The logistics regression algorithm is adopted to train the classifier. We detect hardware Trojan by calculating the logarithmic ratio between the probability that includes Trojan and the probability that does not include Trojan. An FPGA experiment platform is designed and established to validate the proposed model. Two indicators (precision and recall) are used to evaluate the model’s performance. Experimental results show that this model can detect hardware Trojan effectively.

Key words: hardware Trojan, side channel signal, PCA, logistics regression

张金玲1，吕蕾2. 基于主成分分析和对数几率回归的硬件木马检测[J]. 计算机工程与科学.

ZHANG Jinling1，L Lei2.

Hardware Trojan detection based on

PCA and logistics regression

[J]. Computer Engineering & Science.

[1]	严春满, 张昱瑶, 张迪. 改进标签一致KSVD字典学习的人脸识别算法[J]. 计算机工程与科学, 2022, 44(02): 291-297.
[2]	党小超, 汝春瑞, 郝占军, . 基于CSI与SVM回归的室内定位方法[J]. 计算机工程与科学, 2021, 43(05): 853-861.
[3]	冯璋，裴东,王维. 基于改进灰狼算法优化支持向量机的人脸识别[J]. 计算机工程与科学, 2019, 41(06): 1057-1063.
[4]	火元莲，曹鹏飞，董俊松，石明. 基于融合特征的多尺度快速相关滤波跟踪算法[J]. 计算机工程与科学, 2019, 41(03): 559-566.
[5]	郭伟，董宏亮，赵德冀. 基于截断奇异值低秩矩阵恢复的Canny边缘检测算法[J]. 计算机工程与科学, 2018, 40(09): 1670-1678.
[6]	张大明，张学勇，李璐，刘华勇. 图像矩阵上的广义最大噪声分离算法[J]. 计算机工程与科学, 2018, 40(05): 849-855.
[7]	蔡武越1,王珂2，郝玉洁2，段晓冉2. 一种Hadoop集群下的行为异常检测方法[J]. 计算机工程与科学, 2017, 39(12): 2185-2191.
[8]	林克正，魏颖，钟岩，李慧. 基于测地距离的KPCA人脸识别[J]. 计算机工程与科学, 2016, 38(09): 1858-1862.
[9]	叶珍1,白璘1,刘玉2,何明一3,粘永健2. 混合PCA/ICA与JPEG2000结合的高光谱图像压缩[J]. J4, 2016, 38(05): 968-974.
[10]	辛月兰1,2，张晓华3，汪西莉1. 图割与非线性统计形状先验的图像分割[J]. J4, 2015, 37(03): 566-575.
[11]	罗晓峰，周建涛. 一种基于CRT与PCA的数字水印算法[J]. J4, 2014, 36(10): 1985-1990.
[12]	陈曦，梁方，王威. 基于对偶树复小波变换与PCA方法结合的图像变化检测算法研究[J]. J4, 2014, 36(08): 1560-1565.
[13]	李勇，刘云秀. 基于2DPCA-NSCT变换的多光谱与全色图像融合[J]. J4, 2013, 35(7): 143-148.
[14]	刘嵩1,2，李时东1，郑明辉1. 一种改进的基于奇异值扰动的单样本人脸识别方法[J]. J4, 2012, 34(10): 88-91.
[15]	曾岳1,2,冯大政1. 一种基于人脸垂直对称性的变形2DPCA算法[J]. J4, 2011, 33(7): 74-79.