基于小波降噪数据预处理的硬件木马检测优化

doi:10.3778/j.issn.1002-8331.1603-0036

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (1): 49-53.DOI: 10.3778/j.issn.1002-8331.1603-0036

基于小波降噪数据预处理的硬件木马检测优化

李衡1，赵毅强2，杨瑞霞1，何家骥2，李跃辉2，杨松2

1.河北工业大学电子信息工程学院，天津 300401
2.天津大学电子信息工程学院，天津 300072

出版日期:2017-01-01 发布日期:2017-01-10

Hardware Trojan detection optimization based on wavelet de-noising data preprocessing

LI Heng1, ZHAO Yiqiang2, YANG Ruixia1, HE Jiaji2, LI Yuehui2, YANG Song2

1.School of Electronic Information Engineering, Hebei University of Technology, Tianjin 300401, China
2.School of Electronic Information Engineering, Tianjin University, Tianjin 300072, China

Online:2017-01-01 Published:2017-01-10

摘要/Abstract

摘要： 针对硬件木马检测中数据预处理效果不佳的问题，提出了小波变换的数据降噪预处理的硬件木马检测的优化方法。在对提取的功耗信息进行小波变换数据降噪预处理基础上，利用马氏距离进行硬件木马的判别。对基于FPGA实现的含有木马的ISCAS’89系列的基准电路进行检测，并进行后续的数据处理实验。实验结果表明，采用小波变换的数据降噪预处理的硬件木马检测优化方法，可检测出占母本电路面积为0.24%的硬件木马。

关键词: 硬件木马, 小波降噪, 数据预处理, 马氏距离, 旁路分析, 硬件木马检测

Abstract: Aiming at the problem of poor data preprocessing in hardware Trojan detection, the optimized hardware Trojan detection method of wavelet transform of the noise reduction data preprocessing is proposed. The obtained power consumption information is preprocessed by wavelet de-noising, then the data is processed by Markov distance to identify hardware Trojan. Afterwards, ISCAS’89 series benchmark circuits containing Trojans are implemented on FPGA, then the power information is processed. The experimental results show that this method can detect hardware Trojan with an area ratio of 0.24%.

Key words: hardware Trojan, wavelet de-noising, data pre-processing, Markov distance, side-channel analysis, hardware Trojan detection

李衡1，赵毅强2，杨瑞霞1，何家骥2，李跃辉2，杨松2. 基于小波降噪数据预处理的硬件木马检测优化[J]. 计算机工程与应用, 2017, 53(1): 49-53.

LI Heng1, ZHAO Yiqiang2, YANG Ruixia1, HE Jiaji2, LI Yuehui2, YANG Song2. Hardware Trojan detection optimization based on wavelet de-noising data preprocessing[J]. Computer Engineering and Applications, 2017, 53(1): 49-53.

[1]	姜佩贺，王晨旭，郭刚，位寅生. 面向FPGA应用的硬件木马植入与检测技术研究[J]. 计算机工程与应用, 2021, 57(20): 119-124.
[2]	宋世杰，陈开颜，张阳. 信息熵角度下的深度学习旁路安全评估框架[J]. 计算机工程与应用, 2021, 57(17): 138-146.
[3]	张浩宇，应健锋，宋晨钰，王可可，易茂祥. 针对电路关键路径的硬件木马监测与防护[J]. 计算机工程与应用, 2020, 56(6): 73-78.
[4]	陈鑫，高良俊，任传宝，易茂祥，黄正峰. 基于转换概率及RO结构的硬件木马检测[J]. 计算机工程与应用, 2020, 56(3): 49-54.
[5]	李道全，王雪，于波，黄泰铭. 基于一维卷积神经网络的网络流量分类方法[J]. 计算机工程与应用, 2020, 56(3): 94-99.
[6]	李雄伟1，魏延海1，王晓晗1，徐璐2，孙萍3. 一种面向硬件木马检测的SVDD增量学习改进算法[J]. 计算机工程与应用, 2019, 55(9): 43-48.
[7]	胡晓阳，陈开颜，张阳，郭东昕，魏延海. 基于支持向量机的RSA电磁旁路分析方法[J]. 计算机工程与应用, 2019, 55(15): 141-146.
[8]	彭燕，刘宇红，张荣芬. 基于LSTM的股票价格预测建模与分析[J]. 计算机工程与应用, 2019, 55(11): 209-212.
[9]	冯文斌1，刘宝华2. 改进的SIFT算法图像匹配研究[J]. 计算机工程与应用, 2018, 54(3): 200-205.
[10]	杨达明，黄姣英，高成. 工艺偏差影响下硬件木马检测功率分析方法[J]. 计算机工程与应用, 2018, 54(24): 1-5.
[11]	成钊1，2，王和明1，唐永康2，张颖1. 基于细节增强分析的硬件木马红外图像检测方法[J]. 计算机工程与应用, 2018, 54(16): 86-92.
[12]	王晓晗，李雄伟，张阳，徐璐. 基于硬件木马的AES差分故障分析[J]. 计算机工程与应用, 2017, 53(5): 103-106.
[13]	李雄伟，徐璐，张阳，王晓晗，陈开颜. 面向硬件木马检测的旁路信号特征选择方法[J]. 计算机工程与应用, 2017, 53(21): 258-262.
[14]	布阿加姑丽·米吉提1，库尔班·吾布力1，努尔毕亚·亚地卡尔1，吐尔根·依不拉因1，阿力木江·艾沙2. 纹理特征加权融合的中亚多文种文档图像文种识别[J]. 计算机工程与应用, 2017, 53(20): 187-194.
[15]	唐永康1，王建业1，李少青2，刘勇聪1. 基于红外光谱分析的硬件木马检测方法[J]. 计算机工程与应用, 2017, 53(12): 110-115.

基于小波降噪数据预处理的硬件木马检测优化

Hardware Trojan detection optimization based on wavelet de-noising data preprocessing

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics