基于HHT降噪的硬件木马检测优化方法与流程

本发明涉及集成电路可信任性技术领域，具体涉及一种基于hht降噪的硬件木马检测优化方法。

背景技术：

随着电子设计自动化技术和半导体制造工艺的飞速发展，单片数字集成电路芯片集成的功能越来越复杂，电路规模越来越大，集成度越来越高，从而广泛的应用于现代科技的各个领域，特别在金融设备，移动通信，交通运输，政府和能源等敏感领域。集成电路对社会的进步和经济的发展起着越来越大的推动作用，已经成为支撑经济社会发展的战略性、基础性和先导性产业。

在商业全球化的今天，集成电路芯片的设计与制造逐渐趋于全球化。集成电路芯片的上市需要经历设计、制造、封装与测试四个阶段。由于集成电路产品的先进性和复杂性，同时为了更合理的利用资源和资金配置，单片集成电路的设计与制造过程由多家单位联合完成，其中不乏合资企业或者外资企业。集成电路的设计与制造过程的分离，给集成电路的安全性带来了极大的风险，例如在设计阶段大量复用第三方ip核，在制造过程中存在不可信的掩膜版，在封装过程中可能存在冗余封装等。这类安全威胁都统称为硬件木马，硬件木马从底层硬件方面渗透进来，攻击者针对特定的系统进行巧妙的设计，隐蔽在电路的底层，可以独立的实施攻击行为，例如改变功能、泄露信息、特权升级、拒绝服务等，也可以结合软件攻击进行组合攻击。

硬件木马问题正在成为集成电路的重要安全隐患，一旦被硬件木马影响的芯片被应用于军用装备及国民经济核心领域中，将会带来严重的灾难和不可估计的经济损失，因此开展硬件木马的检测与防护技术研究，保证集成电路的安全可信是世界各国共同关注的话题。

近年来，随着研究的逐渐深入，在硬件木马检测技术方面取得了卓越的成果。而侧信道分析具有较低的实施成本、较高的检测精度，较好的移植性和延展性，一经提出就展示出来了较为乐观的应用前景，成为了当前的检测方法的主流。但是在利用侧信道分析技术对硬件木马进行检测的过程中，芯片及检测设备会受到外界以及系统内部噪声的影响，噪声的存在会削弱甚至淹没硬件木马对电路的影响，这使得硬件木马的检出率大大降低。然而工艺噪声是客观存在的，为了进一步的提高检测精度，必须对侧信道数据进行降噪处理，使硬件木马的旁路影响不被工艺噪声所淹没，降低噪声对侧信道分析效率的影响。

(三)参考文献

[1]huangne,shenz,longsr,etal.theempiricalmodedecompositionandthehilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis[c]//proceedingsoftheroyalsocietyoflondona:mathematical,physicalandengineeringsciences.theroyalsociety,1998,454(1971):903-995.

[2]李天云,赵妍,李楠.基于emd的hilbert变换应用于暂态信号分析[j].电力系统自动化,2005,29(4):49-52.

[3]wangy,yew,laogc,etal.analysisofspectrumcharacteristicsoftheacquiredseaclutterdatabasedonhht[c]//computerapplicationsandcommunications.ieee,2014:32-36.

[4]liuz,yingq,luoz,etal.analysisandresearchoneegsignalsbasedonhhtalgorithm[c]//sixthinternationalconferenceoninstrumentation&measurement,computer,communicationandcontrol.ieee,2016:423-426.

技术实现要素：

为克服现有技术的不足，本发明旨在提出一种基于希尔伯特-黄变换hht降噪的硬件木马检测优化方法，该方法具有优秀的自适应性，在吸取小波变换多分辨率优势的同时，克服小波变换中需要人为选取小波基的问题。通过希尔伯特hilbert变换得到hilbert边际谱，增加了信号分析的灵活性与有效性，根据幅频特性可准确定位高频噪声，实现高频噪声的滤除，较大程度的保留侧信道数据的有用信息，从而提高硬件木马特征信息的贡献率，进一步提高了硬件木马检测精度。为此，本发明采用的技术方案是，基于hht降噪的硬件木马检测优化方法,步骤如下：

步骤1：利用经验模态分解emd将侧信道数据分解为n个本征模态函数分量imfi，i＝1…n；

步骤2：对每个本征模态函数imf分量进行希尔伯特hilbert变换得到其hilbert边际谱，确定原始数据的有效频率分布区间；

步骤3：若imf分量的边际谱能量集中在有效频率分布区间外，则此imf分量为噪声序列；

步骤4：剔除噪声主导的imf分量后，得到降噪后重构信号的hilbert边际谱，借助马氏距离进行硬件木马的识别。

emd具体的分解过程为：

步骤1：确定原信号所有的的局部极大值点和局部极小值点；

步骤2：用三次样条函数将所有的局部极大值点拟合形成上包络线，同理再用三次样条函数将所有局部极小值点拟合形成下包络线；

步骤3：求出上下包络线的均值作为原信号x(t)的局部均值m1，将原信号与局部均值的差记为h1＝x(t)-m1，如果h1满足imf条件，那么h1就是x(t)的第一个imf分量；

步骤4：如果h1不满足imf条件，把h1作为原始数据，重复步骤1～步骤3，直到得到的h1k满足imf条件为止，记imf1＝h1k，则imf1为信号x(t)的第一个满足imf条件的分量；

步骤5：将imf1从x(t)中分离出来得到

r1＝x(t)-imf1

将r1作为原始数据重复步骤1～步骤4，得到x(t)的第2个满足imf条件的分量imf2，重复循环n次，得到信号x(t)的n个满足imf条件的分量imfi，i＝1,…,n；

记当rn成为一个单调函数不能再从中提取满足imf条件的分量时，原始信号的分解结束，rn称为残余函数，代表信号的平均趋势；

对每个imf分量进行hilbert变换，得：

其中ai(t)为幅值函数，φi(t)为相位函数，ωi(t)为瞬时角频率，re代表取实部。上式称为hilbert谱，即

hilbert谱表达了各imf的时间、瞬时频率和能量的关系。h(ω,t)对时间积分，得到hilbert边际谱：

边际谱表达了在整个时间长度内累积的波动幅度，即每个频率点的累积幅值分布。

本发明的特点及有益效果是：

本发明采用经验模态分解对侧信道数据进行分解，对每个imf分量进行hilbert变换得到hilbert边际谱，并根据边际谱中的幅频关系确定侧信道数据的有效频率分布区间，进而判断此imf分量是否为噪声序列，将噪声主导的imf分量剔除后，重构信号即得到降噪后的数据，经hilbert-huang变换后得到降噪后的边际谱。该方法具有emd特有的自适应性，同时借助边际谱频域分析的优势，可以精确的分析侧信道数据的构造，准确定位噪声序列的位置，实现高频噪声的滤除。降噪后的数据可以用来进行硬件木马的判别，大幅度消除外界及系统内部噪声的影响，大大提高木马电路的功耗贡献率，进一步提高了硬件木马的检测精度。

附图说明：

图1基于hht降噪的硬件木马检测优化方法流程图。

图2emd分解的流程图。

具体实施方式

本发明针对硬件木马测试过程中存在较大的噪声问题，提出了一种基于hht降噪的硬件木马检测优化方法，该方法具有优秀的自适应性，在吸取小波变换多分辨率优势的同时，克服小波变换中需要人为选取小波基的问题。通过hilbert变换得到hilbert边际谱，增加了信号分析的灵活性与有效性，根据幅频特性可准确定位高频噪声，实现高频噪声的滤除，较大程度的保留侧信道数据的有用信息，从而提高硬件木马特征信息的贡献率，进一步提高了硬件木马检测精度。该方法可以辅助用于基于侧信道分析的硬件木马检测领域，进一步提高硬件木马的识别水平，具有一定的实际意义和参考价值。

本发明将侧信道数据通过经验模态分解(emd)处理成有限个本征模态函数分量(imf)的集合，进而通过hilbert变换得到边际谱，根据幅频特性确定噪声主导的imf分量并将其剔除，实现高频噪声的滤除，最后利用马氏距离判别硬件木马。

图1为本文提出的基于hht降噪的硬件木马检测优化方法的流程图，该方法主要包括以下步骤：

步骤1：利用emd将侧信道数据分解为n个本征模态函数分量imfi(i＝1…n)。

步骤2：对每个imf分量进行hilbert变换得到其hilbert边际谱，确定原始数据的有效频率分布区间。

步骤3：若imf分量的边际谱能量集中在有效频率分布区间外，可认为此imf分量为噪声序列。

步骤4：剔除噪声主导的imf分量后，得到降噪后重构信号的hilbert边际谱，借助马氏距离进行硬件木马的识别。

经验模态分解法(emd)是由huang等人于1998年创造性提出的一种新型自适应信号时频处理方法，非常适用于非线性非平稳信号的分析处理。emd与傅里叶变换、小波变换等传统信号分析方法的本质一样，均是将信号分解为各个相互独立的分量的叠加，但是与傅里叶变换、小波变换不同的是，emd不需要事先人为选择基函数，而是根据信号自身的时间尺度特征将信号分解为一系列本征模态函数(intrinsicmodefunction,imf)，各个imf分量是窄带平稳信号，能够很好的表征信号的瞬时频率特性，且满足hilbert变换的要求。

信号分解的结果由若干本征模态函数和一个残余信号组成：

每个imf分量必须满足以下两个条件：

a)在整个分量信号上，局部极值点和过零点的数目至多相差一点；

b)在任意点处，由局部极大值点和极小值点构成的上下包络线的均值为

零，即分量信号关于时间轴局部对称。

通常情况中，实际信号均为复杂信号并不满足上述条件。因此，huang进行了下假设：

a)任何信号都是由若干本征模态函数组成的；

b)各个本征模态函数既可是线性的，也可是非线性的，各本征模态函数的局部极值点和零点的数目相同，并且上下包络线关于时间轴局部对称；

c)在任何时候，一个信号都可以包含若干本征模态函数，若干模态函数相互混叠，就构成了复杂信号。

这样，任何信号都可根据emd算法分解为若干有限个本征模态函数和一个残余信号。图2为emd分解的流程图，具体的分解过程为：

步骤1：确定原信号所有的的局部极大值点和局部极小值点。

步骤2：用三次样条函数将所有的局部极大值点拟合形成上包络线，同理再用三次样条函数将所有局部极小值点拟合形成下包络线。

步骤3：求出上下包络线的均值作为原信号x(t)的局部均值m1，将原信号与局部均值的差记为h1＝x(t)-m1，如果h1满足imf条件，那么h1就是x(t)的第一个imf分量。

步骤4：如果h1不满足imf条件，把h1作为原始数据，重复步骤1～步骤3，直到得到的h1k满足imf条件为止。记imf1＝h1k，则imf1为信号x(t)的第一个满足imf条件的分量。

步骤5：将imf1从x(t)中分离出来得到

r1＝x(t)-imf1

将r1作为原始数据重复步骤1～步骤4，得到x(t)的第2个满足imf条件的分量imf2，重复循环n次，得到信号x(t)的n个满足imf条件的分量imf1(i＝1,…,n)。

记当rn成为一个单调函数不能再从中提取满足imf条件的分量时，原始信号的分解结束，rn称为残余函数，代表信号的平均趋势。

对每个imf分量进行hilbert变换，得：

其中ai(t)为幅值函数，φi(t)为相位函数，ωi(t)为瞬时角频率，re代表取实部。上式称为hilbert谱，即

hilbert谱表达了各imf的时间、瞬时频率和能量的关系。h(ω,t)对时间积分，得到hilbert边际谱：

边际谱表达了在整个时间长度内累积的波动幅度，即每个频率点的累积幅值分布。

计算得到每个imf分量的边际谱，从边际谱所呈现的幅频关系中确定侧信道数据的有效频率分布区间，可利用此区间判别噪声主导的imf分量。当imf分量的边际谱中能量分布较分散，且不在原始数据有效频率分布区间内时，认为此imf分量为噪声序列。将噪声主导的imf分量剔除后，重构信号即得到降噪后的侧信道数据，经hilbert-huang变换后得到降噪后的边际谱，最后借助马氏距离实现硬件木马的识别。

提请注意：请审核每个外文字符至少有一处中文注释，且同一字符前后文含义、取值范围完全一致。