基于最近邻方法集成机器学习技术的集成电路设计中硬件 Trojan 位置快速精准识别
机器学习
2025-04-29 v2 人工智能
摘要
在集成电路设计的不断演变背景下，在基于多实体的设计周期中检测硬件 Trojan（HT）在实际应用中 presents 重要挑战。该研究提出了一种创新的基于机器学习的方法，用于在 gate 级 netlist 中识别恶意逻辑门。该方法聚焦于路径 retrace 算法。该方法在三个不同案例中进行验证，每个案例都采用不同的机器学习模型来分类 HT。案例 I 使用决策树算法进行节点到节点的比较，通过集成主成分分析（PCA）显著提高了检测准确性。案例 II 引入基于图神经网络（GNN）模型的图到图分类，使其能够区分正常和感染 Trojan 的电路设计。案例 III 应用 GNN 基于节点到节点的分类来识别单个受损节点及其位置。此外，最近邻（NN）方法已与 GNN 图到图在案例 II中，以及 GNN 节点到节点在案例 III 中集成。尽管 GNN 模型的图到图分类具有潜力，NN 方法显示出优异的性能，第一个最近邻（1st NN）达到 73.2% 的准确率，第二个最近邻（2nd NN）方法达到 97.7%。与 GNN 模型相比，GNN 模型达到 62.8% 的准确率。同样，GNN 模型的节点到节点分类，NN 方法显示出优异的性能，1st NN 达到 93% 的准确率，2nd NN 方法达到 97.7%。与 GNN 模型相比，GNN 模型达到 79.8% 的准确率。然而，更高的 NN 将导致对 HT 识别的大范围代码覆盖。
关键词
引用
@article{arxiv.2501.16347,
title = {Fast and Accurate Identification of Hardware Trojan Locations in Gate-Level Netlist using Nearest Neighbour Approach integrated with Machine Learning Technique},
author = {Anindita Chattopadhyay and Siddharth Bisariya and Vijay Kumar Sutrakar},
journal= {arXiv preprint arXiv:2501.16347},
year = {2025}
}