基于量子钻石显微镜磁场图像无监督深度学习的硬件木马检测
计算机视觉与模式识别
2022-05-04 v1 图像与视频处理
仪器与探测器
摘要
本文提出一种集成电路硬件木马检测方法。利用无监督深度学习对量子钻石显微镜（QDM）拍摄的宽视场（4x4 mm）、高空间分辨率磁场图像进行分类。采用量子控制技术与改进钻石材料增强QDM磁成像，使磁场灵敏度较以往演示提升4倍、测量速度提升16倍。这些升级促成了QDM磁场测量用于硬件木马检测的首次演示。无监督卷积神经网络与聚类用于从600x600像素磁场图像的未标记数据集中推断木马存在，且无人为偏差。该分析区分配置无木马与插入木马逻辑现场可编程门阵列的准确度高于主成分分析。该框架在我们开发并用QDM测量的可扩展木马集上测试。可扩展与TrustHub木马可检测至最小木马触发规模为总逻辑的0.5%。该木马检测框架可用于无黄金芯片检测，因为芯片身份知识仅用于评估检测准确度。
引用
@article{arxiv.2204.14228,
title = {Hardware Trojan Detection Using Unsupervised Deep Learning on Quantum Diamond Microscope Magnetic Field Images},
author = {Maitreyi Ashok and Matthew J. Turner and Ronald L. Walsworth and Edlyn V. Levine and Anantha P. Chandrakasan},
journal= {arXiv preprint arXiv:2204.14228},
year = {2022}
}
备注
25 pages, 17 figures