基于电路模块自相似性的硬件木马检测方法

由于硬件木马种类的多样性和SoC电路制造过程中不可预测的工艺变化,硬件木马检测变得极具挑战性。现有的旁路信号分析法存在两个缺点,一是需要黄金模型作为参考,二是工艺波动会掩盖部分硬件木马的活动效果。针对上述不足,提出一种利用电路模块结构自相似性的无黄金模型检测方法。通过对32位超前进位加法器的软件仿真实验和对128位AES加密电路的硬件仿真实验,验证了该方法的有效性。实验结果表明,在45 nm工艺尺寸下,对于面积占比较小的硬件木马,该方法的检测成功率可以达到90.0%以上。     

解主方程计算粒子发射谱

一、引言最近我们曾用激子模型计算了(p,n)反应的能谱和截面。从理论计算值与实验结果比较可看出是成功的。然而上次我们用的是Gadioli公式,是主方程的简化近似。本文和以前我们的工作不同之处有两点:(1)直接解主方程计算能谱;(2)本文包括带电粒子的入射和发射情况,因此可以计算中子、质子、氘、氚、氦等A≤4的粒子谱。     

基于转换概率及RO结构的硬件木马检测

针对硬件木马倾向于在电路低转换概率节点插入的问题,提出了一种在这些节点处构建环形振荡器（RO）结构的方法来检测硬件木马。该方法首先计算电路节点的转换概率并挑选出低于转换概率阈值的节点,然后在挑选出的节点处构建RO结构,通过RO延时的变化进行木马的检测。实验以ISCAS’85基准电路为基础,并在Spartan6 FPGA开发板实现。实验结果表明,在可接受的面积和功耗开销下,可以检测到仅有一到两个门的小型木马电路,弥补了旁路信号分析法检测小型木马的不足。     

主方程的含时解给出可逆化学反应物质浓度的分布函数

求出了描写可逆化学反应的主方程含时解，同时给出了可逆化学反应物质浓度的瞬时分布函数。     

激子模型评价(p,n)能谱和激发函数

在这篇激子模型文章中,引入了快粒子从受激核里发射的描述。在分析核子引起的反应结果中看到,激子模型体现了核反应过程的主要特色。因此,激子模型是分析核反应发射粒子谱和激发函数常用的工具。     

基于特征提取和SVM的硬件木马检测方法

针对现有基于机器学习的硬件木马检测方法检测率不高的问题,提出了一种基于特征提取和支持向量机(SVM)的硬件木马检测方法。首先在门级网表的节点中提取6个与硬件木马强相关的特征,并将其作为6维特征向量。然后将这些特征向量分为训练集和测试集。最后使用SVM检测木马。将该方法应用于15个Trust-Hub基准电路,实验结果表明,该方法可实现高达93%的平均硬件木马检测率,部分基准电路的硬件木马检测率达到100%。