典型文献
融入环形振荡器木马特征的无监督硬件木马检测
文献摘要：
机器学习用于集成电路硬件木马的检测可以有效提高检测率.无监督学习方法在特征选择上还存在不足,目前研究工作主要集中于有监督学习方法.文章引入环形振荡器木马的新特征,研究基于无监督机器学习的硬件木马检测方法.首先针对待测电路网表,提取每个节点的5维特征值,然后利用局部离群因子(LOF)算法计算各节点的LOF值,筛选出硬件木马节点.对Trust-HUB基准电路的仿真实验结果表明,该方法用于网表级电路硬件木马的检测,与现有基于无监督学习的检测方法相比,TPR(真阳性率)、P(精度)和F(度量)分别提升了16.19％、10.79％和15.56％.针对Trust-HUB基准电路的硬件木马检测的平均TPR、TNR和A,分别达到了58.61％、97.09％和 95.60％.
文献关键词：
硬件木马;机器学习;特征提取;LOF;门级网表
中图分类号：
作者姓名：
胡兴盛;徐皓;易茂祥;梁华国;鲁迎春
作者机构：
合肥工业大学微电子学院,合肥230000
文献出处：
引用格式：
[1]胡兴盛;徐皓;易茂祥;梁华国;鲁迎春-.融入环形振荡器木马特征的无监督硬件木马检测)[J].微电子学,2022(06):955-960
A类：
网表级,门级网表
B类：
环形振荡器,硬件木马,木马检测,习用,集成电路,高检,检测率,无监督学习,特征选择,有监督学习,新特征,无监督机器学习,电路网,维特,局部离群因子,LOF,算法计算,Trust,HUB,TPR,TNR
AB值：
0.2513
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
