محاسبه مقدار آسیب پذیری مدارهای مجتمع دیجیتال در برابر تروجان سخت افزاری با استفاده از شبکه های عصبی پیچشی

با پیشرفت تراشه های مجتمع دیجیتال و پیاده‌سازی سیستم‌های پیچیده برروی آن‌ها، مخاطراتی در رابطه با عملکرد آن‌ها ایجاد شده است. تروجان‌های سخت‌افزاری (ht) از مهمترین نوع مخاطرات هستند که سبب ایجاد خطا در عملکرد تراشه، افزایش توان مصرفی و نشت‌کردن اطلاعات ذخیره‌شده برروی تراشه‌ها می‌شوند. در نتیجه، ارزیابی میزان آسیب‌پذیری تراشه‌ها در برابر انواع مختلف تروجان‌های سخت-افزاری دارای اهمیت بسیار زیادی است. در این مقاله روشی دقیق در سطح چیدمان (layout)، برمبنای استفاده از شبکه‌های عصبی کانولوشن (cnn)، برای محاسبه میزان آسیب پذیری تراشه‌های دیجیتال در برابر ht ارائه شده است. عوامل اصلی موثر بر میزان خطرپذیری تراشه های دیجیتال شامل میزان فضاهای خالی در چیدمان، منابع مسیردهی استفاده نشده، فعالیت سیگنال‌های داخلی، و قابلیت آزمون‌پذیری گیت‌های مدار می‌باشند. برای تولید دیتاست مناسب، چیدمان فیزیکی هر پیاده‌سازی از یک مدار دیجیتال با استخراج این عوامل، به یک تصویر دیجیتال تبدیل شده است. پس از تولید دیتاست مناسب که شامل 10000 تصویر است، فرآیند یادگیری cnn تکمیل می‌شود و شبکه‌ی آموزش یافته برای تعیین میزان آسیب‌پذیری در برابر ht مورد استفاده قرار می‌گیرد. با مشخص‌شدن میزان آسیب‌پذیری مدار پیاده‌سازی شده، طراح می‌تواند تغییرات لازم را برای مقاوم کردن تراشه در برابر ht اعمال نماید. نتایج شبیه‌سازی برروی چیدمان‌ مدارهای معیار (iscas 85, 89) نشان می‌دهد، میزان دقت رهیافت پیشنهادی 92% می‌باشد. همچنین روش پیشنهادی، مشکل ناشی از عدم مدلسازی دقیق عوامل موثر در تعیین خطرپذیری در روش‌های پیشین را مرتفع کرده و دقت محاسبه آسیب‌پذیری را 17% افزایش می‌دهد.

a convolutional neural networks-based approach for vulnerability classification of integrated circuits against hardware trojans

the vulnerability of digital integrated circuits against the hardware trojans (ht) has increased in recent decades due to the implementation of more complex systems on them. hts could become a source of errors or apply to steel important information embedded in the implemented circuits. so, analyzing the vulnerability of digital integrated circuits in the early stages of production is of great merit. in this paper, a novel vulnerability classification method is introduced based on the deep convolutional neural networks (cnn) wherein five major effective features of vulnerability assessment are utilized (white space distribution, unutilized routing resources, signal activity of circuit nodes, delay of the circuit paths and, controllability of circuit nodes). in the proposed framework, first of all, a dataset containing 10000 images is generated using various digital circuit implementations. then, a deep cnn is trained using the generated dataset meanwhile the most appropriate cnn’s hyperparameters are achieved using a greedy optimization method. the simulation results reveal 92% accuracy of vulnerability classification which shows a 17% improvement in comparison with the best linear classifier and analytical methods.