基于K-means聚類分析的硬件木馬檢測方法

王柏人 曲 鳴

基于K-means聚類分析的硬件木馬檢測方法

王柏人 曲 鳴

北京電子科技學(xué)院電子與通信工程，北京 100070

為檢測芯片中存在的硬件木馬，利用側(cè)信道分析技術(shù)，采集功耗信息，并利用K-means算法對待測芯片進(jìn)行聚類分析。利用K-means算法實(shí)現(xiàn)木馬檢測時(shí)，準(zhǔn)確率與功耗數(shù)據(jù)中存在的噪聲以及木馬面積的大小有關(guān)，實(shí)驗(yàn)中植入了占芯片原始模塊2.39%和1.49%的兩種木馬，均能夠很好的檢測出其中電路中的木馬，驗(yàn)證了方法的有效性。

硬件木馬;側(cè)信道分析;K-means算法

引言

隨著集成電路制造的全球化進(jìn)程，設(shè)計(jì)、制造的分離技術(shù)以及第三方知識(shí)產(chǎn)權(quán)核的廣泛應(yīng)用，使得芯片中存在很多安全隱患。硬件木馬是一種不同于計(jì)算機(jī)軟件病毒和木馬的硬件漏洞，通過在芯片設(shè)計(jì)和制造的過程中植入惡意部件，使芯片增加額外的功能，或是在芯片中設(shè)置隱藏信道和后門，從而竊取芯片中的敏感信息。硬件木馬以其危害大，難以檢測的特點(diǎn)，受到了安全領(lǐng)域的極大關(guān)注。

近年來，對硬件木馬的研究已經(jīng)有了許多成果。一些研究人員提出了一種針對硬件木馬的物理特點(diǎn)、激活方式以及特征功能的分類方法［1］。還有一些研究員通過分析硬件木馬的攻擊目標(biāo)、植入時(shí)機(jī)和觸發(fā)機(jī)制提出了不同的分類方法［2］［3］。硬件木馬分類的完善，促進(jìn)了檢測方法的發(fā)展。國際上已經(jīng)出現(xiàn)很多類型的檢測方法，包括破壞性檢測［4］、芯片設(shè)計(jì)修改［5］、側(cè)信道分析等方法。

不同于破壞性檢測的高昂開銷和漫長周期，側(cè)信道分析技術(shù)以其價(jià)格低廉、檢測迅速、準(zhǔn)確性高的特性受到研究人員的關(guān)注。文獻(xiàn)［6］中首次提出了基于功耗信息的硬件木馬檢測方法;文獻(xiàn)［7］對芯片電源端的瞬態(tài)電流進(jìn)行測量和區(qū)域分析，能夠檢測出小規(guī)模的硬件木馬;文獻(xiàn)［8］提出利用路徑延遲生成指紋的方式，可以分辨出一些面積很小的硬件木馬模塊;文獻(xiàn)［9］根據(jù)一種基于區(qū)域的暫態(tài)電流信號分析方法來減小工藝偏差并增大漏電流。

本文提出一種基于K-means算法的硬件木馬檢測方法，通過采集芯片側(cè)信道功耗信息，分析識(shí)別樣本屬性，選擇質(zhì)心，完成聚類，從而實(shí)現(xiàn)硬件木馬的有效檢測。

1 硬件木馬檢測方法

1.1 功耗模型

對于一個(gè)由穩(wěn)壓電源供電的標(biāo)準(zhǔn)芯片，其功耗可由電流來表示:

其中，Ig為標(biāo)準(zhǔn)芯片運(yùn)行時(shí)所產(chǎn)生的總功耗，I(f，k)表示在頻率f下進(jìn)行運(yùn)算k的動(dòng)態(tài)電流;Ipv是工藝偏差帶來的電流變化;Ie表示芯片運(yùn)行過程中的噪聲。

而對于一個(gè)內(nèi)嵌硬件木馬的芯片，由于存在額外的惡意模塊，會(huì)產(chǎn)生一定的電流變化，即

其中，It為木馬芯片運(yùn)行時(shí)所產(chǎn)生的總功耗，It(f，k)表示木馬模塊在頻率f下進(jìn)行運(yùn)算k時(shí)的動(dòng)態(tài)電流。式中，Ipv和Ie的值取決于芯片的型號和數(shù)據(jù)采集過程，其影響可通過對同一芯片進(jìn)行多次測量取均值的方法來削減。因此，對于功耗分析而言，It(f，k)便是用于辨別芯片是否存在木馬的關(guān)鍵。

1.2 K-means算法

聚類是根據(jù)樣本屬性對一組未分類的樣本進(jìn)行識(shí)別，并將樣本按指定規(guī)則歸為若干類的方法。K-means是一種廣泛使用的聚類算法，其分類步驟如下:

1隨機(jī)選取K個(gè)對象作為初始K個(gè)簇的質(zhì)心;

2對剩余的對象，根據(jù)其與各質(zhì)心的距離賦給最近的簇;

3重新計(jì)算每個(gè)簇的質(zhì)心;

4重復(fù)2－3，直到準(zhǔn)則函數(shù)收斂。

通常使用的準(zhǔn)則函數(shù)為平方誤差和函數(shù)(sum of the squared error，SSE):

其中，SSE為樣本庫內(nèi)所有對象的平方誤差和，p為樣本對象，mi為簇Ci的均值。本文中討論硬件木馬檢測問題，只存在木馬類與標(biāo)準(zhǔn)類，故K取2。

2 硬件木馬檢測流程

2.1 功耗分析平臺(tái)

組成芯片功耗分析平臺(tái)的部件包括FPGA板、示波器、PC機(jī)和穩(wěn)壓電源，穩(wěn)壓電源提供穩(wěn)定電壓，示波器探頭對待測芯片側(cè)信道信息進(jìn)行采集，并傳輸至PC端利用MATALB編寫判別程序進(jìn)行分析，從而實(shí)現(xiàn)硬件木馬分類檢測。一個(gè)典型的分析平臺(tái)如圖1所示:

2.2 檢測流程

利用圖1中的功耗分析平臺(tái)設(shè)計(jì)基于K-means算法的硬件木馬檢測流程如下:

STEP1:對n個(gè)待測芯片的功耗信息進(jìn)行多次采樣，采樣時(shí)使用相同測試向量，設(shè)置采樣深度為p，采樣條數(shù)為q，得到n個(gè)功耗矩陣Gp×q;

STEP2:對每個(gè)功耗矩陣取均值，進(jìn)行降噪處理;

STEP3:在Matlab中編寫判別程序，對全部待測芯片進(jìn)行聚類;

STEP4:分析聚類結(jié)果，對木馬存在性進(jìn)行判斷。

STEP5:優(yōu)化并重復(fù)實(shí)驗(yàn)，直至獲得理想結(jié)果。

3 實(shí)驗(yàn)分析與結(jié)論

3.1 實(shí)驗(yàn)環(huán)境

本次實(shí)驗(yàn)采用Altera公司的EP4CE6E22C8芯片，燒錄標(biāo)準(zhǔn)AES加密算法程序，并選取部分芯片加入木馬模塊。通過泰克示波器DPO7104C來采集和顯示芯片功耗信息，并傳輸至PC機(jī)端利用MATLAB進(jìn)行數(shù)據(jù)處理和分析。

3.2 實(shí)驗(yàn)結(jié)果與分析

待待測芯片進(jìn)行功耗采樣，設(shè)置采樣深度為2000，通過多條功耗取均值來進(jìn)行數(shù)據(jù)優(yōu)化，并從中隨機(jī)抽取400條作為待測樣本，進(jìn)行K-means聚類分析。

3.2.1 干擾對聚類結(jié)果的影響

為驗(yàn)證數(shù)據(jù)中存在的噪聲等干擾對聚類結(jié)果的影響，設(shè)置兩組實(shí)驗(yàn)進(jìn)行對比，圖2(a)中為12條功耗數(shù)據(jù)進(jìn)行降噪處理時(shí)的K-means聚類結(jié)果，圖2(b)為30條功耗數(shù)據(jù)進(jìn)行降噪的聚類結(jié)果。其中，芯片中所植入的木馬占芯片原始模塊的2.39%。

可以看出，用12條功耗數(shù)據(jù)進(jìn)行降噪處理時(shí)，聚類結(jié)果與實(shí)際類存在一定的差異;而用30條功耗數(shù)據(jù)進(jìn)行降噪處理時(shí)，聚類結(jié)果與實(shí)際類一致。表1中給出了兩種降噪條件下的判別結(jié)果，其中，誤判為標(biāo)準(zhǔn)芯片判為木馬芯片的比例，漏判為木馬芯片判為標(biāo)準(zhǔn)芯片的比例。

表1 降噪與判別結(jié)果

實(shí)驗(yàn)結(jié)果表明，在干擾降低到較低水平時(shí)，K-means算法可以對全部待測芯片進(jìn)行準(zhǔn)確聚類。

3.2.2 木馬面積對聚類結(jié)果的影響

為驗(yàn)證木馬面積對聚類結(jié)果的影響，同樣設(shè)置兩組實(shí)驗(yàn)，圖3中給出了占芯片原始模塊的2.39%的木馬1和1.49%的木馬2的聚類分析結(jié)果，兩組數(shù)據(jù)均采用12條功耗數(shù)據(jù)均值降噪處理。

可以看出，木馬較大時(shí)，聚類分析的準(zhǔn)確較高。這是由于木馬越大，對芯片功耗信息的干擾就越大，就越容易區(qū)分。表2給出了兩種情況下的判別結(jié)果。

表2 木馬與判別結(jié)果

4 結(jié)束語

本文利用K-means算法對待測芯片的功耗信息進(jìn)行聚類分析，聚類分析的結(jié)果與樣本數(shù)據(jù)中的干擾以及木馬面積的大小有關(guān)。經(jīng)過降噪處理后，可以對400個(gè)待測樣本數(shù)據(jù)實(shí)現(xiàn)準(zhǔn)確聚類。利用K-means算法進(jìn)行硬件木馬檢測，優(yōu)點(diǎn)在于速度快，準(zhǔn)確率高，但也存在需要選擇K值的缺點(diǎn)，當(dāng)芯片中植入多種硬件木馬時(shí)，無法確定K值，會(huì)對判別結(jié)果造成影響。今后，將嘗試其他聚類方法在硬件木馬領(lǐng)域的應(yīng)用。

［1］Wang X，Tehranipoor M，Plusquellic J．Detecting malicious inclusions in secure hardware:Challenges and solutions［C］// IEEE International Workshop on Hardware-Oriented Security and Trust．IEEE，2008:15－19．

［2］Chakraborty R S，Narasimhan S，Bhunia S．Hardware Trojan:Threats and emerging solutions［C］//High Level Design Validation and Test Workshop，2009．HLDVT 2009．IEEE International．IEEE，2009:166－171．

［3］Rajendran J，Gavas E，Jimenez J，et al．Towardsa comprehensive and systematic classification ofhardware Trojans［C］// IEEE International Symposium on Circuits and Systems．IEEE，2010:1871－1874．

［4］Kash J A，Tsang J C，Knebel D R．Method and apparatus for reverse engineering integrated circuits by monitoring optical emission:US，US6496022［P］．2002．

［5］Chakraborty R S，Paul S，Bhunia S．Ondemand transparency for improving hardware Trojan detectability［C］//IEEE International Workshop on Hardware-Oriented Security and Trust．IEEE Computer Society，2008:48－50．

［6］Wang X，Salmani H，Tehranipoor M，et al．Hardware Trojan Detection and Isolation Using CurrentIntegration and Localized Current Analysis［C］//IEEE International Symposium on Defect and Fault Tolerance of VlsiSystems． IEEE Computer Society，2008:87－95．

［7］Rad R M，Wang X，Tehranipoor M，et al．Power supply signal calibration techniques for improving detection resolution to hardware Trojans［C］// Computer-Aided Design，2008．ICCAD 2008．IEEE/ACM International Conference on．IEEE，2008: 632－639．

［8］Jin Y，Makris Y．Hardware Trojan detection using path delay fingerprint［C］//IEEE International Workshop on Hardware-Oriented Security and Trust．IEEE，2008:51－57．

［9］Rad R M，Wang X，Tehranipoor M，et al．Power supply signal calibration techniques for improving detection resolution to hardware Trojans［C］// Computer-Aided Design，2008．ICCAD 2008．IEEE/ACM International Conference on．IEEE，2008: 632－639．

Hardware Trojan Detection Based on K-means Algorithm

Wang Boren Qu Ming
Beijing Electronic Science and Technology Institute，Beijing 100070，China

In order to detect the hardware Trojan in the integrated circuits，the K-means algorithm based on the side-channel analysis was used to classify the chip under tested．Detected the hardware Trojan by the K-means algorithm，the accuracy was related to the noise and the size of Trojan．Experimental results showed that the hardware Trojan occupied about 1.49%and 2.39%of the original module could be precise recognition，and verified the validity of the method．

Hardware Trojan;Side-channel analysis;K-means Algorithm

TP309.5

A

1672－464X(2016)2－84－04

(責(zé)任編輯:張卷美)

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(2014GCYY04)

＊＊ 作者簡介:王柏人，男，碩士研究生，研究方向?yàn)樾酒踩?曲鳴，女，碩士研究生，研究方向?yàn)橥ㄐ虐踩?/p>