基于加权参数马氏距离的硬件木马检测

来源 :计算机应用研究 | 被引量 : 1次 | 上传用户:gexuefeng1
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对常规马氏距离判别方法对硬件木马检测率低下或失效的情况,通过对芯片运行时产生的功耗特征进行建模分析,提出了一种基于加权与双参数变换的优化判别方案。首先对标准与待测样本矩阵进行参数调整并在判别公式中加入样本矩阵特征向量权重,运用MATLAB实现参数的最优组合,最后在置信度99%的条件下计算待测样本的硬件木马检测率。对待测FPGA植入占比0.3%的硬件木马,并通过FPGA硬件木马检测平台验证表明,在常规马氏距离判别方法检测率只有43.56%的情况下,该方法检测率达到了85.14%。
其他文献
基于中密度准循环奇偶校验码(QC-MDPC)的McEliece公钥密码方案已被验证具有良好的性能特征,其密钥量较少、算法复杂度较低。但目前存在一种密钥恢复攻击对该方案的安全性产生威胁,攻击者利用特定的错误图样生成密文并进行发送,来获取接收者译码是否成功的反应,从而破译出该方案的私钥。为应对此反应攻击,提出了可能的解决方案。该方案将差错控制理论中的自动重传请求(ARQ)与伪随机序列结合,消除了反馈信
针对现有的激光里程计方法在室外动态道路场景中存在里程计精度较低、鲁棒性不足的问题,提出一种3D激光雷达和MEMS惯导耦合的里程计与建图方案。在不同的线程上依次执行数据预处理、顾及动态障碍物的特征提取、激光里程计和激光建图模块。利用KITTI数据和实测数据,对改进方案与目前流行的LOAM、Lego-LOAM方案进行定性和定量的激光里程计精度评定。测试结果表明,改进方案在满足系统实时性的要求下,激光里
针对雾天图像语义分割中分割精度不高的问题,基于空洞空间金字塔池化、Xception模块和残差网络,提出一种雾天图像语义分割算法。该算法一方面使用空洞空间金字塔池化和残差网络,以多个采样率的并行卷积以及卷积核大小为1×1的卷积对输入图像进行多尺度的上下文特征提取;另一方面,采用解码器结构使用预训练后的Xception模块对提取的特征进行分类,得到每一个像素的预测结果,用于增强分割边界的细化得到边界精
针对车联网信息交互中存在的车辆身份匿名性和消息认证安全问题,目前很多方案是通过双线对来构造的,计算效率较低、通信开销较大且存在密钥托管问题。提出了一种适用于车联网的基于无证书的聚合签名方案,车辆的密钥由KGC和车辆共同生成,避免了密钥托管问题。该方案没有使用双线性对运算,且支持聚合验证,签名长度不会随着车辆数量的增加呈现增长趋势,适合存储资源受限的设备。在随机预言机模型下,基于椭圆曲线上的离散对数
很多用户在多个云上存有大量文件,有时在云间要进行大量文件的迁移操作,但因云服务商或黑客攻击等原因导致的文件损坏时有发生,所以云存储用户在存储和迁移过程中必须进行数据完整性认证,且认证开销要尽可能低。目前已有的数据迁移方法在迁移大量文件时认证时间开销较大。针对此问题,提出非同频可证明数据迁移方法,它是根据云上文件损坏的时间特征,在不同时间段按不同频度进行认证。安全性分析和实验结果表明,该方法能显著降
无线通信技术快速发展,终端设备不断增多,为缓解这一现象,提升系统网络容量,针对车联网蜂窝D2D(device to device)通信资源分配问题,提出了一种最大化频谱资源利用率分配算法。该算法以最大化频谱资源利用率为优化目标,在满足车联网通信的基本服务质量(quality of service,Qo S)下,通过V2V(vehicle to vehicle)和V2P(vehicle to peo
结构变异检测是基因组大数据分析的一项重要任务,其中倒位变异是一种常见的结构变异,并往往与多种严重的疾病相关联,因此获取准确的倒位变异发生位置是一项具有重要研究意义的工作。提出了一种基于长读数和重比对的倒位变异检测方法,首先在长读数和基因组参考序列比对结果中提取每条长读数被剪切掉的序列;然后将剪切序列重新比对到基因组参考序列上,基于原始的比对信息和剪切序列的比对信息确定倒位变异信号;最后,对倒位变异
针对三维人脸重建和密集对齐算法精度不足的问题,引入密集连接的多尺度特征融合模块和残差注意力机制设计了一种性能强大的网络。在编码器结构前,引入密集连接的多尺度特征融合模块获得多尺度融合特征,使编码器获得更丰富的信息;在解码器模块中引入残差注意力机制,强化网络对重要特征的关注同时抑制不必要的噪声。实验结果表明,相较其他算法,该算法取得了较显著的改进;相对PRNet,该算法以更少的参数量在各项指标上取得
针对人脸五官在表达不同情绪时所起的作用不同,利用单一的卷积神经网络对人脸面部特征进行特征提取和表情识别可能会导致提取表情关键特征信息时聚焦性不够,而仅对眼部或者嘴部等重点部位进行特征提取,又有可能造成特征提取不够充分的问题,提出了一种基于优化卷积神经网络的三通道人脸表情识别方法TP-FER(tri-path networks for facial expression recognition)。该
针对目前边缘检测算法因过于依赖全连接层,使得边缘线条粗糙,且损失函数设定不当,造成梯度消失和大量主要特征信息丢失等问题,提出了基于卷积神经网络的交叉融合边缘检测算法。该算法利用1×1多卷积核的梯度方式来降维,完成横纵向图像低级与高级特征对象的采集;然后通过自上而下和自左向右循环卷积流向方式,保证每层的损失函数可以较平稳地前向和反向传播;最后利用跨层交叉融合对图像边缘特征进行细化。实验结果表明,该算