49 / 2021-12-06 17:49:03

融入环形振荡器木马特征的无监督硬件木马检测

硬件木马；机器学习；特征提取；LOF；门级网表

现有的基于机器学习的方法在门级网表层面硬件木马的检测集中于有监督的方法，然而从实际的角度来说更倾向于无监督的方法，而现有的无监督方法在特征提取部分忽略了部分木马特征。为了提升最后的检测效果，本文在现有无监督检测的特征提取部分引入了融入环形振荡器木马的新特征。首先对网表每个节点提取五维特征值，得到的表格进行数据处理后，然后使用 LOF（局部离群因子）算法计算每个网表节点的局部离群因子，从而筛选出硬件木马节点。对于每个基准，各项检测指标大部分都有提升。平均结果与现有方法相比，TPR（真阳性率）、P（精度）和 F（度量）的百分比均有大幅度提升，分别提升了 16.19%、10.79%和15.56%。对于 Trust-HUB 基准，达到了 58.61%的 TPR 和 97.09%的平均 TNR，并且达到了平均 95.60%的 A。同时本文也在现有无监督方法基础上增加了 4 个基准测试实验。