Jul, 2022

基于图卷积网络的黄金无参考硬件特洛伊定位

PDF
TL;DR提出了一种基于 Graph Convolutional Network（GCN）的新型、无需 golden reference 的、预硅阶段硬件木马本地化方法，自动提取电路设计的节点特征进行分类，准确率达到 99.6％，F1 得分为 93.1％，假阳性率低于 0.009％。
integrated circuithardware trojanslocalizationgraph convolutional networkpre-silicon stage
发现论文，激发创造
  • 通过对抗电源迹线的逃避式硬件木马

    本文研究硬件安全背景下的机器学习漏洞，主要聚焦在硬件木马、机器学习和侧信道分析，通过设计对抗噪声的方法来绕过机器学习侧信道分析，并提供开放的资源和设计。

    Jan, 2024

  • 基于强化学习的多指标硬件木马检测方法

    该论文提出了一种基于多标准强化学习方法的硬件特洛伊检测工具，能有效地探索现有的检测策略和适应新的检测场景，并且提供了一种公正的比较硬件特洛伊检测方法的方法。该工具在 ISCAS-85 基准测试中成功检测率平均达到了 84.2%。

    Apr, 2023

  • 基于深度图卷积网络的配电系统故障定位

    本文提出了一种新颖的图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法集成了不同母线上的多个测量值，并考虑了系统拓扑结构。在 IEEE 123 母线基准系统上，GCN 模型的有效性得到了证实。模拟结果表明，该模型的故障定位精度远高于其他广泛使用的机器学习方案。此外，该方法对于测量噪声和数据丢失错误具有鲁棒性。提出了数据增强过程来增加模型在各种噪声和数据丢失错误水平下的鲁棒性。进一步的实验表明，该模型能够适应配电网络的拓扑变化，并能在有限数量的测量母线下良好运行。

    Dec, 2018

  • 使用强化学习检测木马

    本文采用强化学习方法，设计了一个能在检测硬件特洛伊时通过最小集合的模式来确保最高测试覆盖率的代理器。实验证明，该代理器在降低测试模式的数量并保持测试覆盖率方面有显著效果。

    Aug, 2022

  • 寻求者的困境：硬件木马检测的现实制定与基准

    通过形式定义 “硬件木马（HT）检测” 的现实问题，本研究旨在推动硬件设计领域的安全研究。通过在图上扩展 Hide&Seek，采用 “追求者困境” 问题描述方法模拟更贴近真实世界的 HT 检测问题。使用这种理论问题形式，创建了一个混合有 HT 和无 HT 的重组电路基准，并使用开发的基准评估三种最先进的 HT 检测工具，展示了该方法的基准结果。通过主成分分析评估基准的强度，在一些重组的 HT 感染电路与无 HT 电路映射接近的情况下，导致检测器的标签错误分类。

    Feb, 2024

  • 面向带符号加密货币信任网络的基于时序 GCN 的模式感知欺诈检测

    本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在 GCN 聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

    Nov, 2022

  • 多模态深度学习方法的不确定性感知硬件木马检测

    硬件特洛伊木马的检测方法研究中，使用了多模态深度学习和不确定性量化度量来提高准确性和应对硬件安全挑战。

    Jan, 2024

  • 使用强化学习攻击静态硬件木马检测技术

    本文提出了一种新的基于强化学习的攻击框架，称为 ATTRITION，其可以有效地规避目前流行的硬件木马检测技术，展示了其强大的攻击能力，从而揭示了当前检测技术的局限性，并提出了未来研究的方向。

    Aug, 2022

  • 通过添加虚假节点来攻击图卷积网络

    本研究探索了图卷积网络的鲁棒性。我们提出了一种新的 “假节点攻击” 来攻击 GCN，通过添加恶意伪造节点相对于以往攻击更加现实。我们使用了贪婪算法来产生具有误导性质的恶意节点，并介绍了一种分类器来将恶意节点与真实节点区分开来，我们的攻击使得 GCN 的准确性下降到 0.03，针对一组 100 个节点的情况下，我们的有目标攻击成功率高达 78％，对于单个目标节点平均攻击成功率为 90％。

    Oct, 2018

  • 基于多面体抽象解释的节点扰动图卷积网络鲁棒性认证

    改进了基于图的多层感知器的鲁棒性认证技术，通过多面体抽象解释方法在节点特征扰动的情况下提供 GCN 鲁棒性的上下界，并在训练过程中进一步提高 GCN 的鲁棒性。

    May, 2024