融合CNN-LSTM的硬件木马旁路检测方法

来源：电子与信息学报杂志2025年第9期北京时间：

作者：周康, 侯波, 王力纬, 雷登云, 罗永震, 黄中铠

单位：1.广东工业大学集成电路学院 广州 5100062.工业和信息化部电子第五研究所电子元器件可靠性物理及其应用技术重点实验室 广州 510610

摘要：随着集成电路设计与制造全球化，通过供应链植入硬件木马的潜在威胁日益显著。传统旁路检测方法依赖人工特征提取，易受噪声干扰且泛化能力不足，导致检测耗时且准确率不高。为此，该文提出一种基于一维卷积神经网络(CNN)及其与长短期记忆网络(LSTM)的组合架构(1D-CNN-LSTM)的硬件木马旁路检测方法，分别从局部空间特征与时序依赖关系两方面捕获硬件木马动态功耗信号特征，构建算法模型进行硬件木马检测。另外为了提高检测效率和算法鲁棒性，该文结合硬件木马特征对瞬态功耗原始数据进行预处理，并引入高斯噪声进行样本增强。以流片后的ASIC芯片为对象，开展硬件木马检测实验，结果显示经数据预处理后，1D-CNN-LSTM模型的训练效率提升近10倍，算法在4分类任务中的整体检测精度达到99.6%。该文所提出的方法可有效降低计算资源消耗、消除噪声干扰并实现高精度检测。

关键词：硬件木马, 旁路检测, 深度学习

基金资助：国家自然科学基金(62204062)，广东省自然科学基金(2023A1515011295)