MacLeR：面向资源受限 IoT 边缘设备的基于机器学习的运行时硬件木马检测
密码学与安全
2020-11-25 v1 机器学习
摘要
传统的基于学习的运行时硬件木马（HT）检测方法需要复杂且昂贵的上片数据采集框架，因而带来高面积与功耗开销。为应对这些挑战，我们提出利用微处理器执行指令间的功耗相关性，建立一种基于机器学习的运行时硬件木马检测框架，称为 MacLeR。为降低数据采集开销，我们提出使用电流传感器以时分复用方式的单电源端口电流采集模块，在提高精度的同时减少面积开销。我们通过分析插入到系统级芯片（SoC）RTL 中的多个 HT 基准实现了一个实用方案，该 SoC 由四个 LEON3 处理器与 vga_lcd、RSA、AES、以太网和存储器控制器等其他 IP 集成而成。实验结果表明，与最先进的 HT 检测技术相比，MacLeR 实现了高 10% 的 HT 检测准确率（即 96.256%），同时将面积与功耗开销降低 7 倍（即 SoC 面积的 0.025% 和 SoC 功耗的 <0.07%）。此外，我们还分析了工艺偏差与老化对提取的功耗曲线及 MacLeR 的 HT 检测准确率的影响。分析表明，由 HT 引起的细粒度功耗曲线变化显著高于由工艺偏差（PV）和老化效应引起的细粒度功耗曲线变化。而且，我们的分析显示，在仅考虑 PV 和考虑 PV 加最坏情况老化时，MacLeR 的 HT 检测准确率平均下降分别小于 1% 和 9%，比最先进的基于 ML 的 HT 检测技术约低 10 倍。
引用
@article{arxiv.2011.11632,
title = {MacLeR: Machine Learning-based Run-Time Hardware Trojan Detection in Resource-Constrained IoT Edge Devices},
author = {Faiq Khalid and Syed Rafay Hasan and Sara Zia and Osman Hasan and Falah Awwad and Muhammad Shafique},
journal= {arXiv preprint arXiv:2011.11632},
year = {2020}
}