技术特征：
1.一种基于lut特征提取和机器学习的硬件木马检测方法，其特征在于，包括如下步骤：步骤1：输入嵌入硬件木马的集成电路设计作为训练集；步骤2：使用fpga综合工具将训练集中的集成电路设计综合成fpga网表；步骤3：对fpga网表进行硬件木马特征提取：针对fpga网表中的每个信号的4层扇入逻辑，提取每层扇入包含的低翻转lut的个数，得到每个信号的4维量化特征值；所述低翻转lut指二进制初始化向量中1或者0的个数小于2个的lut；将每个信号的4维量化特征值作为训练数据集；步骤4：使用训练数据集，对机器学习分类器进行训练，生成最优硬件木马分类器，用于将集成电路设计分为木马节点和正常节点；步骤5：使用fpga综合工具将待检测集成电路设计综合成待测fpga网表；步骤6：对待测fpga网表进行硬件木马特征提取，得到待测fpga网表的每个信号的4维量化特征值；步骤7：将步骤6得到的待测量化特征值输入到步骤4生成的最优硬件木马分类器中，将待检测集成电路设计分为木马节点和正常节点，从而实现木马检测。2.根据权利要求1所述的一种基于lut特征提取和机器学习的硬件木马检测方法，其特征在于，所述嵌入硬件木马的集成电路设计和待检测集成电路设计均以寄存器传输级代码的形式输入。3.根据权利要求1所述的一种基于lut特征提取和机器学习的硬件木马检测方法，其特征在于，所述机器学习分类器为随机森林或支持向量机或神经网络分类器，用于完成二分类任务。
技术总结
本发明公开了一种基于LUT特征提取和机器学习的硬件木马检测方法，输入嵌入硬件木马的集成电路设计作为训练集；将训练集成电路设计综合成现场可编程门阵列网表；对FPGA网表进行硬件木马特征提取，并保存生成的训练量化特征值；使用训练量化特征值，对机器学习分类器进行训练，生成最优硬件木马分类器；输入待检测集成电路设计；将待检测集成电路设计综合成待测FPGA网表；对待测FPGA网表进行硬件木马特征提取，并保存生成的待测量化特征值；待测量化特征值输入到训练好的硬件木马分类器，将待检测集成电路设计分为木马节点和正常节点，从而实现木马检测。本发明的方法能够实现基于特定条件激活的硬件木马检测，可在集成电路设计早期检测硬件木马安全隐患。期检测硬件木马安全隐患。期检测硬件木马安全隐患。
技术研发人员：武玲娟 胡伟 李一玮
受保护的技术使用者：西北工业大学
技术研发日：2022.04.08
技术公布日：2022/8/5