一种面向硬件木马检测的SVDD增量学习改进算法

摘要

在基于功耗旁路分析与支持向量数据描述(Support Vector Data Description,SVDD)算法的硬件木马检测方法中,为优化完善检测模型需要对新增信号样本进行增量学习,针对经典SVDD增量学习(Incremental SVDD learning,ISVDD)对新增样本学习范围无约束而导致的欠拟合问题,提出了一种适用于硬件木马检测的SVDD增量学习算法.该算法利用新增样本与原始样本之间方差、均值和中位数的关系构建自适应参数,选取更为有效的新模型训练样本,在减少学习时间的同时提高模型检测精度.采用多芯片FPGA旁路信号采集平台分别对3片受工艺扰动不同的芯片进行信号采集,并对各芯片中所植入的相同规模硬件木马进行检测,实验结果表明,该算法较ISVDD相比有更高的检测精度,验证了其有效性.