抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
と適切なアルゴリズムを適用した回路の同定特性(特徴)は,種々の計算機支援設計問題を解くために有用である。ハードウェアセキュリティ検査では,リバースエンジニアリングのための需要,ビットレベル設計からの高レベル成分を抽出するプロセスである。回路ブロックが与えられた時,一般的なアプローチは,候補関数の集合を見出し,それを同定するための形式的方法を適用することである。高レベル機能の有用な特徴の同定と未知ブロックの提案された候補を収集する重要なステップである。予め定義された特徴を必要としないので,畳込みニューラルネットワーク(CNN)は,機械学習で広く使用されている。多重処理層を有する深層ネットワークは,この訓練過程中に物体の隠された学習構造が可能であることが示されている。CNN処理のための論理回路を表現するための要件を論じた。新しい回路表現(データフォーマット)は,動的プーリングと提案した回路ベースの畳込み演算のために開発した。このデータフォーマットに基づき,回路機能を認識するためのCNNを用いた深い学習フレームワークを構築した。サポートベクトルマシン(SVM)に基づく参照法と比較して,実験は回路分類だけでなく機能検出と位置の両方のために提案されたCNN法の有効性を示した。適切な訓練データ,例えば隠れトロヤ群をもつ回路のセットを用いて,提案したフレームワークは,ハードウェア設計におけるマルウェアの検出と位置決めを支援するモデルを訓練するために使用することができる。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】