文献

J-GLOBAL ID：201702225082462651   整理番号：17A0980545

トロイの木馬の特徴に基づくゲートレベル・ネットリストにおける機械学習を用いたハードウェアトロイの木馬の分類法

A Hardware-Trojan Classification Method Using Machine Learning at Gate-Level Netlists Based on Trojan Features

著者 (3件)： HASEGAWA Kento (Dept. of Computer Science and Communications Engineering, Waseda University) ,  YANAGISAWA Masao (Dept. of Computer Science and Communications Engineering, Waseda University) ,  TOGAWA Nozomu (Dept. of Computer Science and Communications Engineering, Waseda University)
資料名： IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences (Web)  (IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences (Web))
巻： E100.A  号： 7  ページ： 1427-1438(J-STAGE)  発行年： 2017年 
JST資料番号： U0466A  ISSN： 1745-1337  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： ICベンダによる外部委託の増加により,悪意の第三者ベンダがハードウェアトロイの木馬(HT)をIC製品に挿入する深刻なリスクに直面するが,今日のICは膨大で複雑なため,ハードウェア・トロイの木馬検出は非常に困難である。本文は,SVMまたはニューラルネットワーク(NN)を用いて,HTの感染ネット(トロイの木馬)を識別するゲートレベルネットリストのHT分類法を提案した。先ず,ネットリストの各ネットから5つのH・Tの特徴を抽出し,これら特徴量は複雑なため,それらに単純な固定閾値を付与できない。従って,それらを5次元ベクトルとし,SVMまたはNNによってそれらを学習し,最後に,未知の全ネットリストを,学習した分類子に基づきトロイの木馬と正規のネットリストに分類できる。私たちは,機械学習に基づくH・T分類方法をTrust-HUBベンチマークに適用し,ました。結果は,提案手法は既存方法と比べ,殆どのケースで真陽性率が改善を実証した。幾つかのケースで100%の真陽性率を達成でき,未知ネットリスト内の全ての木馬ネットが提案分類法で完全に検出されることを示した。(翻訳著者抄録)

シソーラス用語： *半導体集積回路 ,  *回路設計 ,  *コンピュータウイルス ,  ハードウェア ,  ゲート回路 ,  データ ,  *機械学習 ,  ニューラルネットワーク ,  サポートベクトルマシン ,  *漏れ
準シソーラス用語： ネットリスト ,  SVM ,  *分類法 ,  分類子 ,  *情報漏洩

著者キーワード (5件)： hardware Trojan ,  gate-level netlist ,  machine learning ,  support vector machine (SVM) ,  neural network (NN)

分類 (2件)： 半導体集積回路  (NC03162T) ,  データ保護  (JD01020V)

引用文献 (21件)：

• [1] B. Cakir and S. Malik, “Hardware Trojan detection for gate-level ICs using signal correlation based clustering,” Proc. Design, Automation and Test in Europe (DATE), pp.471-476, 2015. 10.7873/date.2015.0365
• [2] C. Cortes and V. Vapnik, “Support-vector networks,” Machine Learn., vol.20, no.3, pp.273-297, 1995. 10.1007/bf00994018
• [3] S. Dreiseitl and L. Ohno-Machado, “Logistic regression and artificial neural network classification models: A methodology review,” J. Biomed. Inform., vol.35, no.5-6, pp.352-359, 2002. 10.1016/s1532-0464(03)00034-0
• [4] J. Francq and F. Frick, “Introduction to hardware Trojan detection methods,” Proc. Design, Automation and Test in Europe (DATE), pp.770-775, 2015. 10.7873/date.2015.1101
• [5] C. Goutte and E. Gaussier, “A probabilistic interpretation of precision, recall and f-score, with implication for evaluation,” 27th European Conference on IR Research, ECIR 2005, vol.3408, pp.345-359, 2005. 10.1007/978-3-540-31865-1_25

タイトルに関連する用語 (3件)： 機械学習 ,  ハードウェア ,  分類法