检索结果-维普期刊中文期刊服务平台

面向门级网表的VLSI三模冗余加固设计被引量：4: 1; 作者徐冉冉孟海波 +2 位作者桂小琰申小伟安述倩《计算机工程与科学》 CSCD 北大核心 2014年第12期2355-2360,共6页; 航天器在宇宙空间易受粒子的影响而产生错误,三模冗余技术是一种有效的容错机制。但是,现有的三模冗余加固设计一般是一款芯片定制一套加固方案,无法做到通用性。提出一种功能无关的VLSI门级网表三模冗余加固通用设计方案。通过对时序... 展开更多; 关键词可靠性三模冗余时序单元组合逻辑门级网表; 在线阅读下载PDF 职称材料

基于XGBoost的混合模式门级硬件木马检测方法被引量：5: 2; 作者张颖李森 +2 位作者陈鑫姚嘉祺毛志明《电子与信息学报》 EI CSCD 北大核心 2021年第10期3050-3057,共8页; 针对恶意的第三方厂商在电路设计阶段中植入硬件木马的问题,该文提出一种基于XGBoost的混合模式门级硬件木马检测方法。该检测方法将电路的每个线网类型作为节点,采用混合模式3层级的检测方式。首先,基于提取的电路静态特征,利用XGBoos... 展开更多; 关键词硬件木马检测 XGBoost算法门级网表静态检测动态检测; 在线阅读下载PDF 职称材料

基于图神经网络的门级硬件木马检测方法被引量：1: 3; 作者史江义温聪 +4 位作者刘鸿瑾王泽坤张绍林马佩军李康《电子与信息学报》 EI CSCD 北大核心 2023年第9期3253-3262,共10页; 集成电路(IC)供应链的全球化已经将大多数设计、制造和测试过程从单一的可信实体转移到世界各处各种不可信的第三方实体。使用不可信的第三方知识产权(3PIP)可能面临着设计被对手植入硬件特洛伊木马(HTs)的巨大风险。这些硬件木马可能... 展开更多; 关键词硬件木马检测深度学习门级网表图神经网络; 在线阅读下载PDF 职称材料

基于ASIC设计的手工综合研究被引量：1: 4; 作者王小华罗晓曙殷严刚《现代电子技术》 2009年第20期4-6,10,共4页; 针对IC前端设计中的关键技术,即将寄存器传输级(RTL)描述的手工综合成门级网表,通过人工参与的方式,运用数字电路设计知识将行为级代码用一些最基本的逻辑门(比如与非门、非门、或非门等)按照对应的综合电路模型得出其相应的门级电路。... 展开更多; 关键词专用集成电路寄存器传输级门级网表可靠性手工综合; 在线阅读下载PDF 职称材料

基于多维特征的门级硬件木马检测技术被引量：1: 5; 作者李林源徐金甫 +2 位作者严迎建赵聪慧刘燕江《计算机工程与应用》 CSCD 北大核心 2023年第18期278-284,共7页; 硬件木马已成为集成电路的主要安全威胁之一,然而现有的安全性分析方法从单一角度描述硬件木马特征,硬件木马的覆盖率低,难以应用到实际的检测中。分析了硬件木马的重要属性和典型结构,提出了13维硬件木马特征向量,可以覆盖目前所有已... 展开更多; 关键词硬件木马检测门级网表信号特征结构特征随机森林; 在线阅读下载PDF 职称材料

基于多信号特征融合的硬件木马识别技术被引量：3: 6; 作者赵聪慧严迎建 +1 位作者刘燕江朱春生《计算机工程与设计》北大核心 2021年第12期3365-3372,共8页; 针对现有基于信号特征的硬件木马检测方法中存在木马特征集单一、检测精度低和普适性差等问题,提出一种基于多信号特征融合的硬件木马识别方法。通过分析硬件木马的隐藏性,建立触发节点植入与载荷节点植入的硬件木马隐藏性模型,构造低... 展开更多; 关键词硬件木马检测门级网表信号特征隐藏性机器学习 KNN分类算法; 在线阅读下载PDF 职称材料

基于PSO-SVM的硬件木马检测被引量：2: 7; 作者李莉云伍忠东芦德钊《计算机应用与软件》北大核心 2023年第6期310-314,336,共6页; 针对基于门级网表的硬件木马识别方法中硬件木马识别率低且识别效果不稳定的问题,提出一种基于粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine,POS-SVM)算法的硬件木马检测方法。对电路的门级网表特征分析... 展开更多; 关键词硬件木马门级网表支持向量机 SMOTE算法粒子群算法; 在线阅读下载PDF 职称材料

MLDet:基于结构特征和XGBoost的硬件木马检测方法被引量：1: 8; 作者杨欢李海明《计算机应用与软件》北大核心 2023年第11期302-307,共6页; 随着集成电路(Integrated Circuit,IC)的规模日益庞大,IC的生产和制造全球化,不受信任的第三方很容易将硬件木马插入知识产权内核,从而威胁IC的安全。因此,有必要研究硬件木马的检测方法,特别是IC设计阶段的硬件木马检测。提出一种名为M... 展开更多; 关键词硬件木马机器学习门级网表特征提取节点分类; 在线阅读下载PDF 职称材料

题名面向门级网表的VLSI三模冗余加固设计被引量：4: 1; 作者徐冉冉孟海波桂小琰申小伟安述倩; 机构中国科学院计算技术研究所计算机体系结构国家重点实验室北京理工大学信息与电子学院; 出处《计算机工程与科学》 CSCD 北大核心 2014年第12期2355-2360,共6页; 基金国家自然科学基金资助项目(61204047 61202059) +1 种基金北京市教委科技计划面上资助项目(KM201210028004); 文摘航天器在宇宙空间易受粒子的影响而产生错误,三模冗余技术是一种有效的容错机制。但是,现有的三模冗余加固设计一般是一款芯片定制一套加固方案,无法做到通用性。提出一种功能无关的VLSI门级网表三模冗余加固通用设计方案。通过对时序器件和组合逻辑器件进行不同的加固设计,实现三模冗余。根据对不同的工艺库的识别与理解,本方案还进行了驱动能力优化等。通过将上述方案工具化,并利用已有的众核处理器网表进行实验评估,全局时序器件加固面积增加为原始网表面积的185%,局部时序器件加固面积增加为原网表的1%-80%,加固方案可按设计需求配置。实验数据表明,加固后的网表中关键路径的平均时延增加为22.15%-22.86%,在设计需求配置下,性能可满足用户要求。; 关键词可靠性三模冗余时序单元组合逻辑门级网表; Keywords reliability triple modular redundancy （TMR） sequential element combinational logic gate-level netlist; 分类号 TP393 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于XGBoost的混合模式门级硬件木马检测方法被引量：5: 2; 作者张颖李森陈鑫姚嘉祺毛志明; 机构南京航空航天大学电子信息工程学院; 出处《电子与信息学报》 EI CSCD 北大核心 2021年第10期3050-3057,共8页; 基金国家自然科学基金(61701228,61106029) 模拟集成电路重点实验室基金(61428020304) 航空科学基金(20180852005)。; 文摘针对恶意的第三方厂商在电路设计阶段中植入硬件木马的问题,该文提出一种基于XGBoost的混合模式门级硬件木马检测方法。该检测方法将电路的每个线网类型作为节点,采用混合模式3层级的检测方式。首先,基于提取的电路静态特征,利用XGBoost算法实现第1层级的检测。继而,通过分析扫描链的结构特征,对第1层级分离得到的正常电路继续进行第2层级的面向扫描链中存在木马电路的静态检测。最后,在第3层级采用动态检测方法进一步提升检测的准确性。Trust-Hub基准测试集的实测结果表明,该方法与现有的其他检测方法相比具有较优的木马检测率,可达到94.0%的平均真阳率(TPR)和99.3%的平均真阴率(TNR)。; 关键词硬件木马检测 XGBoost算法门级网表静态检测动态检测; Keywords Hardware Trojan detection XGBoost Gate-level netlists Static detection Dynamic detection; 分类号 TP309.5 [自动化与计算机技术—计算机系统结构] TN47 [电子电信—微电子学与固体电子学]; 在线阅读下载PDF 职称材料

题名基于图神经网络的门级硬件木马检测方法被引量：1: 3; 作者史江义温聪刘鸿瑾王泽坤张绍林马佩军李康; 机构西安电子科技大学北京轩宇空间科技有限公司; 出处《电子与信息学报》 EI CSCD 北大核心 2023年第9期3253-3262,共10页; 基金国家部委计划(2019-XXXX-ZD-101-00)。; 文摘集成电路(IC)供应链的全球化已经将大多数设计、制造和测试过程从单一的可信实体转移到世界各处各种不可信的第三方实体。使用不可信的第三方知识产权(3PIP)可能面临着设计被对手植入硬件特洛伊木马(HTs)的巨大风险。这些硬件木马可能会使原有设计出现性能降低、信息泄露甚至发生物理层面不可逆的破坏,严重危害消费者的隐私、安全和公司的信誉。现有文献中提出的多种硬件木马检测方法,具有以下缺陷:对黄金参考电路的依赖、测试向量覆盖率的要求甚至是手动代码审查的需要,同时随着集成电路规模的增大,低触发率的硬件木马更加难以被检测。因此针对上述问题,该文提出一种基于图神经网络硬件木马的检测方法,在无需黄金参考电路以及逻辑测试的情况下实现了对门级硬件木马的检测。该方法利用图采样聚合算法(GraphSAGE)学习门级网表中的高维图特征以及相应节点特征,并采用有监督学习进行检测模型的训练。该方法探索了不同聚合方式以及数据平衡方法下的模型的检测能力。该模型在信任库(Trust-Hub)中基于新思90 nm通用库(SAED)的基准训练集的评估下,实现了92.9%的平均召回率以及86.2%的平均F1分数(平均聚合,权重平衡),相比目前最先进的学习模型F1分数提高了8.4%。而应用于基于系统250 nm库(LEDA)的数据量更大的数据集时,分别在组合逻辑类型硬件木马检测中获得平均83.6%的召回率、70.8%的F1,在时序逻辑类型硬件木马检测工作中获得平均95.0%的召回率以及92.8%的F1分数。; 关键词硬件木马检测深度学习门级网表图神经网络; Keywords Hardware Trojan(HT)detection Deep learning Gate-level netlist Graph Neural Network(GNN); 分类号 TN406 [电子电信—微电子学与固体电子学]; 在线阅读下载PDF 职称材料

题名基于ASIC设计的手工综合研究被引量：1: 4; 作者王小华罗晓曙殷严刚; 机构广西师范大学物理与电子工程学院; 出处《现代电子技术》 2009年第20期4-6,10,共4页; 基金国家自然科学基金项目(60432040) 广西师范大学青年基金资助项目(师政科技2008-9号) 广西教育厅2009立项项目(200912); 文摘针对IC前端设计中的关键技术,即将寄存器传输级(RTL)描述的手工综合成门级网表,通过人工参与的方式,运用数字电路设计知识将行为级代码用一些最基本的逻辑门(比如与非门、非门、或非门等)按照对应的综合电路模型得出其相应的门级电路。在ASIC设计过程中运用这种方法,不仅优化电路的结构,且能保证逻辑功能的正确性,同时可降低传输过程中的延迟,提高芯片设计的可靠性。因此,研究ASCI设计中的手工综合具有重要的实用价值。; 关键词专用集成电路寄存器传输级门级网表可靠性手工综合; Keywords application specific integrated circuit register transfer level register transfer level reliability manual synthesis; 分类号 TN402.22 [电子电信—微电子学与固体电子学]; 在线阅读下载PDF 职称材料

题名基于多维特征的门级硬件木马检测技术被引量：1: 5; 作者李林源徐金甫严迎建赵聪慧刘燕江; 机构信息工程大学信息安全重点实验室; 出处《计算机工程与应用》 CSCD 北大核心 2023年第18期278-284,共7页; 文摘硬件木马已成为集成电路的主要安全威胁之一,然而现有的安全性分析方法从单一角度描述硬件木马特征,硬件木马的覆盖率低,难以应用到实际的检测中。分析了硬件木马的重要属性和典型结构,提出了13维硬件木马特征向量,可以覆盖目前所有已知类型的硬件木马;利用SMOTETomek算法对特征集进行扩展,消除训练数据集的不平衡性;使用随机森林算法评估13维特征的重要性,依据特征重要性排序和模型评分,优化木马特征集合;基于最优特征向量训练分类器,识别门级网表中的木马信号。基于Trust_Hub硬件木马库中的21个基准电路展开实验验证,木马检出率高达99.22%,误判率仅为0.01%。与现有文献相比,检测效果有了大幅提升。; 关键词硬件木马检测门级网表信号特征结构特征随机森林; Keywords hardware Trojan detection gate-level netlist signal feature structural feature random forest; 分类号 TP309.1 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于多信号特征融合的硬件木马识别技术被引量：3: 6; 作者赵聪慧严迎建刘燕江朱春生; 机构信息工程大学信息安全重点实验室; 出处《计算机工程与设计》北大核心 2021年第12期3365-3372,共8页; 文摘针对现有基于信号特征的硬件木马检测方法中存在木马特征集单一、检测精度低和普适性差等问题,提出一种基于多信号特征融合的硬件木马识别方法。通过分析硬件木马的隐藏性,建立触发节点植入与载荷节点植入的硬件木马隐藏性模型,构造低静态翻转率、低动态翻转率、低组合0可控性、低组合1可控性和低组合可观察性的硬件木马特征集,利用KNN算法建立硬件木马检测模型。实验结果表明,该方法达到了98.23%的木马信号平均识别率,与文献[3]和文献[15]相比,分别提高了16.30%和10.24%,大幅提升了木马检测能力。; 关键词硬件木马检测门级网表信号特征隐藏性机器学习 KNN分类算法; Keywords hardware Trojan detection gate-level netlist signal feature concealment machine learning KNN classification algorithm; 分类号 TP309.1 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于PSO-SVM的硬件木马检测被引量：2: 7; 作者李莉云伍忠东芦德钊; 机构兰州交通大学电子与信息工程学院; 出处《计算机应用与软件》北大核心 2023年第6期310-314,336,共6页; 基金甘肃省高等学校创新团队项目(2017C-09) 兰州市科技局科技项目(2018-1-51)。; 文摘针对基于门级网表的硬件木马识别方法中硬件木马识别率低且识别效果不稳定的问题,提出一种基于粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine,POS-SVM)算法的硬件木马检测方法。对电路的门级网表特征分析提取出7维特征,利用SMOTE算法对数据进行预处理,改善数据集类别不平衡问题,使用该特征训练支持向量机分类器,用粒子群算法对支持向量机的参数优化以获得较高的识别准确率,利用该分类器达到识别硬件木马的目的。实验结果表明,该算法提高了硬件木马的识别率,实现99.47%线网识别准确率。; 关键词硬件木马门级网表支持向量机 SMOTE算法粒子群算法; Keywords Hardware trojans Gate level netlist Support vector machine SMOTE algorithm PSO; 分类号 TP3 [自动化与计算机技术—计算机科学与技术]; 在线阅读下载PDF 职称材料

题名MLDet:基于结构特征和XGBoost的硬件木马检测方法被引量：1: 8; 作者杨欢李海明; 机构上海电力大学计算机科学与技术学院; 出处《计算机应用与软件》北大核心 2023年第11期302-307,共6页; 基金国家自然科学基金项目(61772327)。; 文摘随着集成电路(Integrated Circuit,IC)的规模日益庞大,IC的生产和制造全球化,不受信任的第三方很容易将硬件木马插入知识产权内核,从而威胁IC的安全。因此,有必要研究硬件木马的检测方法,特别是IC设计阶段的硬件木马检测。提出一种名为MLDet的方法,提取门级网表结构特征;用XGBoost算法来检测硬件木马。MLDet从已知网表中提取木马特征值,并使用XGBoost算法训练;将训练好的检测模型用于未知网表的检测;成功将网表中的节点分类为普通节点和木马节点。实验结果表明,MLDet获得了85.60%的平均硬件木马检测率,部分基准电路的平均硬件木马检测率达到100%。; 关键词硬件木马机器学习门级网表特征提取节点分类; Keywords Hardware Trojan Machine learning Gate-level netlist Feature extraction Net classification; 分类号 TN432 [电子电信—微电子学与固体电子学] TP309.1 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	面向门级网表的VLSI三模冗余加固设计	徐冉冉孟海波桂小琰申小伟安述倩	《计算机工程与科学》 CSCD 北大核心	2014	4	在线阅读下载PDF 职称材料
2	基于XGBoost的混合模式门级硬件木马检测方法	张颖李森陈鑫姚嘉祺毛志明	《电子与信息学报》 EI CSCD 北大核心	2021	5	在线阅读下载PDF 职称材料
3	基于图神经网络的门级硬件木马检测方法	史江义温聪刘鸿瑾王泽坤张绍林马佩军李康	《电子与信息学报》 EI CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料
4	基于ASIC设计的手工综合研究	王小华罗晓曙殷严刚	《现代电子技术》	2009	1	在线阅读下载PDF 职称材料
5	基于多维特征的门级硬件木马检测技术	李林源徐金甫严迎建赵聪慧刘燕江	《计算机工程与应用》 CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料
6	基于多信号特征融合的硬件木马识别技术	赵聪慧严迎建刘燕江朱春生	《计算机工程与设计》北大核心	2021	3	在线阅读下载PDF 职称材料
7	基于PSO-SVM的硬件木马检测	李莉云伍忠东芦德钊	《计算机应用与软件》北大核心	2023	2	在线阅读下载PDF 职称材料
8	MLDet:基于结构特征和XGBoost的硬件木马检测方法	杨欢李海明	《计算机应用与软件》北大核心	2023	1	在线阅读下载PDF 职称材料