SVM算法在硬件木马旁路分析检测中的应用

佟鑫; 李莹; 陈岚

doi:10.11999/JEIT190532

SVM算法在硬件木马旁路分析检测中的应用

doi: 10.11999/JEIT190532

中国科学院微电子研究所EDA中心北京 100029

基金项目: 国家物联网与智慧城市重点专项对接(Z181100003518002)，北京市自然科学基金(4184106)，北京市科技专项(Z171100001117147)

详细信息

作者简介:
佟鑫：女，1987年生，助理研究员，主要研究方向为物联网硬件安全与集成电路设计

李莹：女，1982年生，副研究员，主要研究方向为物联网硬件安全与集成电路设计

陈岚：女，1968年生，研究员，博士生导师，主要研究方向为计算机系统架构与集成电路设计、集成电路硬件安全

通讯作者:
李莹　liying1@ime.ac.cn

¹⁾ 将正常组数据(Trojan Free, TF)标记为1，木马组(T1, T2, ···)数据为–1。²⁾ 按照采样模式对数据进行分组抽样，每次抽出一部分木马数据做测试验证集，其余做训练集，测试集可选择未知标签的数据。³⁾ 阈值A为用户期望达到的模型测试准确率阈值B是用户定义的数据组中木马个数的占比，用于判断该组数据是否为木马组。
⁴⁾ 阈值A为用户期望达到的模型测试准确率阈值B是用户定义的数据组中占比多数的数据是否为木马，用于判断该组数据是否为木马组。
中图分类号: TN406
计量
- 文章访问数: 3615
- HTML全文浏览量: 1699
- PDF下载量: 90
- 被引次数: 0
出版历程
- 收稿日期: 2019-07-15
- 修回日期: 2020-03-06
- 网络出版日期: 2020-04-22
- 刊出日期: 2020-07-23

Application of SVM Machine Learning to Hardware Trojan Detection Using Side-channel Analysis

EDA Center of Institute of Microelectronics, Chinese Academy of Sciences, Beijing 100029, China

Funds: The National Internet of Things and Smart City Key Project Docking(Z181100003518002), The Natural Science Foundation of Beijing (4184106), The Beijing Science and Technology Project (Z171100001117147)

摘要

摘要:
集成电路(ICs)面临着硬件木马(HTs)造成的严峻威胁。传统的旁路检测手段中黄金模型不易获得，且隐秘的木马可以利用固硬件联合操作将恶意行为隐藏在常规的芯片运行中，更难以检测。针对这种情况，该文提出利用机器学习支持向量机(SVM)算法从系统操作层次对旁路分析检测方法进行改进。使用现场可编程门阵列(FPGA)验证的实验结果表明，存在黄金模型时，有监督SVM可得到86.8%的训练及测试综合的平均检测准确率，进一步采用分组和归一化去离群点方法可将检测率提升4%。若黄金模型无法获得，则可使用半监督SVM方法进行检测，平均检测率为52.9%～79.5%。与现有同类方法相比，验证了SVM算法在指令级木马检测中的有效性，明确了分类学习条件与检测性能的关系。
- 硬件木马 /
- 旁路检测 /
- 支持向量机 /
- 有监督学习 /
- 半监督学习
Abstract:
Integrated Circuits (ICs) are suffering severer threats caused by Hardware Trojans (HTs), some of which hide in routine operations by coercing firmware or hardware. Along with conventional side-channel detection not always getting golden-chip, HTs become more difficult to detect. An improved Support Vector Machine (SVM) machine learning frameworks for this is proposed using system-level side-channel analysis. Cross validation experimental results on Field Programmable Gate Array (FPGA) show that in the condition of golden-chip, supervised SVM achieves 85.8% test accuracy in average. After grouping, outlier-removing and normalization, it rises by 4%. Even if golden-chip is out of hand, semi-supervised SVM has accuracy to judge HTs existence, averaging in 52.9%-79.5% under different test modes. Comparing with existing researches, this work verifies the efficiency of SVM for HT detection in instruction level, and points out the relationship between diversified learning conditions with detection performance.
- Hardware Trojan (HT) /
- Side-channel analysis /
- Support Vector Machine (SVM) /
- Supervised learning /
- Semi-supervised learning
¹⁾ 将正常组数据(Trojan Free, TF)标记为1，木马组(T1, T2, ···)数据为–1。²⁾ 按照采样模式对数据进行分组抽样，每次抽出一部分木马数据做测试验证集，其余做训练集，测试集可选择未知标签的数据。³⁾ 阈值A为用户期望达到的模型测试准确率阈值B是用户定义的数据组中木马个数的占比，用于判断该组数据是否为木马组。

⁴⁾ 阈值A为用户期望达到的模型测试准确率阈值B是用户定义的数据组中占比多数的数据是否为木马，用于判断该组数据是否为木马组。

HTML全文

图 1 基于SVM算法的硬件木马检测框架

下载: 全尺寸图片幻灯片

图 2 指令功耗数据分组的SVM有监督学习分类流程

下载: 全尺寸图片幻灯片

图 3 指令功耗数据分组的SVM半监督学习分类流程

下载: 全尺寸图片幻灯片

图 4 半监督学习下准确率均值随TF数据占比变化的情况

下载: 全尺寸图片幻灯片

图 5 各条指令表现的敏感度差异情况

下载: 全尺寸图片幻灯片

图 6 MOD4不同条件下的准确率变化情况

下载: 全尺寸图片幻灯片

表 1 指令集

指令序号及名称			指令类型	描述
1-NOP			类型1 NOP	无操作
2-MOV_A_RR 5-MOV_RR_A 8-MOV_D_A	3-MOV_A_D 6-MOV_RR_D 9-MOV_D_RR	4- MOV_A_DATA 7-MOV_RR_DATA 10-MOV_D_DATA	类型2 MOV	移动存储器，复制操作数2到操作数1
11-ADD_A_RR	12-ADD_A_D	13-ADD_A_DATA	类型3 ADD	加法器加操作，将操作数的值加到加法器上并存储
14-SUBB_A_RR	15-SUBB_A_D	16-SUBB_A_DATA	类型4 SUBB	从加法器中借位减操作
17-INC_A	18-INC_D	19-INC_RR	类型5 INC	增加操作数
20-JMP_A_DPTR			类型6 JMP	跳转至数据指针+ DPTR代表的加法器地址
21-JNC			类型7 JNC	跳转至相关地址如果进位没有设置

下载: 导出CSV

表 2 木马基准电路

名称	描述
HT1	MC8051-T200，这个木马在空闲模式激活8051内部计时器
HT2	MC8051-T300，这个木马在8051通过UART发送特定数据串时被触发。目的是通过UART收到任意信息
HT3	MC8051-T500，这个木马的触发器检测特定的命令，当木马激活后其负载可以替换特定的数据
HT4	MC8051-T600，这个木马使得微控制器上运行算法的任何跳转失效
HT5	MC8051-T700，这个木马用敌人预设数据替换一些输入数据
HT6	MC8051-T800，这个木马当UART接收特殊字符时篡改堆栈指针

下载: 导出CSV

表 3 SVM常用核函数

名称	表达式	参数
线性核	$\kappa ({{{x}}_i},{{{x}}_j}) = {{{x}}_i}^{\rm{T}}{{{x}}_j}$
多项式核	$\kappa ({{{x}}_i},{{{x}}_j}) = {({{{x}}_i}^{\rm{T}}{{{x}}_j})^d}$	$d \ge 1$为多项式的次数
高斯核	$\kappa ({ {{x} }_i},{ {{x} }_j}) = \exp \left( - \dfrac{ { { {\left\\| { { {{x} }_i} - { {{x} }_j} } \right\\|}^2} } }{ {2{\sigma ^2} } }\right)$	$\sigma > 0$为高斯核的带宽

下载: 导出CSV

表 4 MOD1检测率及运行时间对比表

	线性核函数准确率及运行时间			多项式核函数准确率及时间			高斯核函数准确率及时间
	训练(%)	测试(%)	时间(s)	训练(%)	测试(%)	时间(s)	训练(%)	测试(%)	时间(s)
无预处理	83.30	100.00	0.02620	83.30	67.31	0.06912	83.30	57.24	0.10902
预处理+分组	98.00	83.30	0.01261	85.80	99.10	0.03929	98.00	83.30	0.02698

下载: 导出CSV

表 5 MOD3检测率及运行时间对比表

	线性核函数准确率及时间			多项式核函数准确率及时间			高斯核函数准确率及时间
	训练(%)	测试(%)	时间(s)	训练(%)	测试(%)	时间(s)	训练(%)	测试(%)	时间(s)
无预处理	83.30	100.00	0.06944	83.30	100.00	0.06193	83.30	100.00	0.06800
预处理+分组	98.80	83.30	0.06526	66.70	100.00	0.07183	88.00	84.90	0.07139

下载: 导出CSV

表 6 MOD4检测率及运行时间对比表

	线性核函数准确率及时间			多项式核函数准确率及时间			高斯核函数准确率及时间
	训练(%)	测试(%)	时间(s)	训练(%)	测试(%)	时间(s)	训练(%)	测试(%)	时间(s)
无预处理	85.94	85.08	0.02049	85.60	86.07	0.03807	85.83	85.38	0.05487
预处理+分组	97.80	97.80	0.01222	86.70	87.00	0.03904	97.60	98.40	0.03709

下载: 导出CSV

参考文献(16)

钟晶鑫, 王建业, 阚保强. 基于温度特征分析的硬件木马检测方法[J]. 电子与信息学报, 2018, 40(3): 743–749. doi: 10.11999/JEIT170443

ZHONG Jingxin, WANG Jianye, and KAN Baoqiang. Hardware Trojan detection through temperature characteristics analysis[J]. Journal of Electronics &Information Technology, 2018, 40(3): 743–749. doi: 10.11999/JEIT170443

RAD R M, WANG Xiaoxiao, TEHRANIPOOR M, et al. Power supply signal calibration techniques for improving detection resolution to hardware Trojans[C]. 2008 IEEE/ACM International Conference on Computer-Aided Design, San Jose, USA, 2008: 632–639. doi: 10.1109/ICCAD.2008.4681643.

LAMECH C, AARESTAD J, PLUSQUELLIC J, et al. REBEL and TDC: Two embedded test structures for on-chip measurements of within-die path delay variations[C]. 2011 IEEE/ACM International Conference on Computer-Aided Design, San Jose, USA, 2011: 170–177. doi: 10.1109/ICCAD.2011.6105322.

DU Dongdong, NARASIMHAN S, CHAKRABORTY R S, et al. Self-referencing: A scalable side-channel approach for hardware Trojan detection[C]. The 12th International Workshop on Cryptographic Hardware and Embedded Systems, Santa Barbara, USA, 2010: 173–187. doi: 10.1007/978-3-642-15031-9_12.

HE Jiaji, ZHAO Yiqiang, GUO Xiaolong, et al. Hardware Trojan detection through chip-free electromagnetic side-channel statistical analysis[J]. IEEE Transactions on Very Large Scale Integration (VLSI) Systems, 2017, 25(10): 2939–2948. doi: 10.1109/TVLSI.2017.2727985

NARASIMHAN S, DU Dongdong, CHAKRABORTY R S, et al. Multiple-parameter side-channel analysis: A non-invasive hardware Trojan detection approach[C]. 2010 IEEE International Symposium on Hardware-Oriented Security and Trust, Anaheim, USA, 2010: 13–18. doi: 10.1109/HST.2010.5513122.

LIU Yu, JIN Yier, NOSRATINIA A, et al. Silicon demonstration of hardware Trojan design and detection in wireless cryptographic ICs[J]. IEEE Transactions on Very Large Scale Integration (VLSI) Systems, 2017, 25(4): 1506–1519. doi: 10.1109/TVLSI.2016.2633348

FORTE D, BAO Chongxi, and SRIVASTAVA A. Temperature tracking: An innovative run-time approach for hardware Trojan detection[C]. 2013 IEEE/ACM International Conference on Computer-Aided Design, San Jose, USA, 2013: 532–539. doi: 10.1109/ICCAD.2013.6691167.

ZHAO Hong, KWIAT K, KAMHOUA C, et al. Applying chaos theory for runtime hardware Trojan detection[C]. 2015 IEEE Symposium on Computational Intelligence for Security and Defense Applications, Verona, USA, 2015: 1–6. doi: 10.1109/CISDA.2015.7208642.

JAP D, HE Wei, and BHASIN S. Supervised and unsupervised machine learning for side-channel based Trojan detection[C]. The 27th IEEE International Conference on Application-specific Systems, Architectures and Processors, London, UK, 2016: 17–24. doi: 10.1109/ASAP.2016.7760768.

BAO Chongxi, FORTE D, and SRIVASTAVA A. On reverse engineering-based hardware Trojan detection[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2016, 35(1): 49–57. doi: 10.1109/TCAD.2015.2488495

INOUE T, HASEGAWA K, YANAGISAWA M, et al. Designing hardware Trojans and their detection based on a SVM-based approach[C]. The 12th IEEE International Conference on ASIC, Guiyang, China, 2017: 811–814. doi: 10.1109/ASICON.2017.8252600.

KULKARNI A, PINO Y, and MOHSENIN T. SVM-based real-time hardware Trojan detection for many-core platform[C]. 2016 17th International Symposium on Quality Electronic Design, Santa Clara, USA, 2016: 362–367. doi: 10.1109/ISQED.2016.7479228.

LODHI F K, HASAN S R, HASAN O, et al. Power profiling of microcontroller′s instruction set for runtime hardware Trojans detection without golden circuit models[C]. The Design, Automation & Test in Europe Conference & Exhibition, Lausanne, Switzerland, 2017: 294–297. doi: 10.23919/DATE.2017.7927002.

TEHRANIPOOR M and SALAMANI H. trust-HUB[OL]. https://www.trust-hub.org/, 2018.

李莹, 周崟灏, 陈岚. 一种旁路检测方法及装置[P]. 中国专利, CN109684881A, 2019.

LI Ying, ZHOU Yinhao, and CHEN Lan. A bypass detection method and device[P]. China patent, CN109684881A, 2019.

施引文献

资源附件(0)

访问统计