基于XGBoost的硬件木马检测方法 木马检测正确方法( 三 )


4.1 与马氏距离算法性能对比
图6给出相同条件下 , 使用PCA与马氏距离相结合方法马氏距离分析结果 , 可以看出此判别方法无法有效将基准电路与木马电路分离开来 。

基于XGBoost的硬件木马检测方法  木马检测正确方法

文章插图
表5给出了不同特征下马氏距离的分类判别结果 。对比表4可以看出 , 在相同条件下 , 模型检测木马的性能明显优于马氏距离判别法 , 并且马氏距离无法识别数据相差不大和木马占比较小的电路 。
基于XGBoost的硬件木马检测方法  木马检测正确方法

文章插图
4.2 与其他机器学习算法性能对比
在相同条件下 , 经过SCV算法优化 , 支持向量机的惩罚参数c=3.1且选择RBF核函数的参数g=6.0时 , 准确率最高为98.20% , 但朴素贝叶斯分类分类只能最高保持在77.40%的正确率上 。
表6、表7给出了不同特性下各算法的分类判别结果 。从表中可看出在相同条件下 , SVM性能较优于朴素贝叶斯算法 , 能高准确识别木马数据和原始数据 , 而与表4作比较 , 可看出本文所使用的硬件木马检测方法能较高准确率识别木马数据和原始数据 , 相比两者平均准确率高出1.52%、29.2% 。
基于XGBoost的硬件木马检测方法  木马检测正确方法

文章插图

基于XGBoost的硬件木马检测方法  木马检测正确方法

文章插图
5 结论
本文提出了一种基于的硬件木马检测方法 , 利用S-CV与相结合的交叉验证方法优化模型 。搭建FPGA实验 , 验证了该方法的有效性 , 并在与传统方法和其他机器学习方法比较时 , 证实了该方法的优越性 , 更有效地实现木马检测 。后续将提出一种工艺偏差的可信空间建模方法 , 减少工艺偏差的影响 。
参考文献
[1] ZHANG X ,  M.RON:an on-chip ringfor[C].,& Test in& .IEEE , 2011:1638-1643.
[2] CHEN T ,  C.:atree[C].ACMonand Data .ACM , 2016:785-794.
[3] 赵毅强 , 杨松 , 何家骥 , 等.基于主成分分析的硬件木马检测方法[J].华中科技大学学报(自然科学版) , 2015 , 43(8):66-69.
[4] 王力纬 , 贾鲲鹏 , 方文啸 , 等.基于马氏距离的硬件木马检测方法[J].微电子学 , 2013(6):817-820.
[5] 赵毅强 , 刘沈丰 , 何家骥 , 等.基于自组织竞争神经网络的硬件木马检测方法[J].华中科技大学学报(自然科学版) , 2016 , 44(2):51-55.
[6] 苏静 , 路文玲 , 赵毅强 , 等.基于支持向量机的硬件木马检测建模与优化[J].信息网络安全 , 2017(8):33-38.
[7] 王建新 , 王柏人 , 曲鸣 , 等.基于朴素贝叶斯分类器的硬件木马检测方法[J].计算机应用研究 , 2017 , 34(10):3073-3076.
[8]M ,  J ,  P.An on-chiptoand[J].IEEEon Very Large Scale , 2016 , PP(99):3317-3330.
【基于XGBoost的硬件木马检测方法木马检测正确方法】作者信息: