| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景与研究意义 | 第9-10页 |
| 1.2 缺陷检测技术研究现状 | 第10-13页 |
| 1.2.1 电路故障检测的研究现状 | 第10-12页 |
| 1.2.2 硬件木马检测研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 第二章 神经网络在芯片硬件缺陷分析中的发展 | 第15-30页 |
| 2.1 神经网络介绍 | 第15-17页 |
| 2.1.1 神经网络结构 | 第15-16页 |
| 2.1.2 神经网络主要学习方法 | 第16-17页 |
| 2.2 反向传播神经网络 | 第17-22页 |
| 2.2.1 反向传播神经网络结构 | 第17-18页 |
| 2.2.2 反向神经网络学习过程 | 第18-19页 |
| 2.2.3 经典BP学习算法 | 第19-22页 |
| 2.3 自组织竞争神经网络 | 第22-27页 |
| 2.3.1 SOM神经网络结构 | 第23-25页 |
| 2.3.2 SOM神经网络学习算法 | 第25-27页 |
| 2.4 神经网络在芯片硬件缺陷分析中的应用和发展 | 第27-30页 |
| 第三章 集成电路芯片硬件故障分类算法 | 第30-46页 |
| 3.1 基于集成电路芯片的硬件故障分类方法 | 第30-36页 |
| 3.1.1 观测信息的选取 | 第32页 |
| 3.1.2 故障特征提取技术 | 第32-36页 |
| 3.1.2.1 基于小波分析的特征提取方法 | 第32-34页 |
| 3.1.2.2 基于小波系数绝对值的最大值的特征提取方法 | 第34-35页 |
| 3.1.2.3 基于小波系数各分量平方和的特征提取方法 | 第35-36页 |
| 3.2 硬件电路故障分类仿真实验 | 第36-44页 |
| 3.2.1 电路仿真 | 第37-39页 |
| 3.2.2 实验结果及分析 | 第39-44页 |
| 3.2.2.1 基于小波分解的实验结果 | 第39-41页 |
| 3.2.2.2 基于小波系数各分量绝对值最大值的实验结果 | 第41-43页 |
| 3.2.2.3 基于小波系数各分量平方和的实验结果 | 第43-44页 |
| 3.3 本章小结 | 第44-46页 |
| 第四章 集成电路芯片硬件木马分类算法 | 第46-71页 |
| 4.1 集成电路芯片的硬件木马观测信息选取 | 第46-48页 |
| 4.2 基于芯片热图的木马特征提取技术 | 第48-50页 |
| 4.3 有监督式的硬件木马分类算法 | 第50-61页 |
| 4.3.1 算法流程 | 第50-52页 |
| 4.3.2 有监督式神经网络的选取 | 第52页 |
| 4.3.3 算法应用实例设置 | 第52-55页 |
| 4.3.4 算法实例与结果分析 | 第55-61页 |
| 4.4 无监督式的集成电路芯片硬件木马分类算法 | 第61-70页 |
| 4.4.1 算法流程 | 第61-62页 |
| 4.4.2 无监督式神经网络的选取 | 第62-63页 |
| 4.4.3 算法应用实例设置 | 第63-64页 |
| 4.4.4 算法实例及结果分析 | 第64-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间取得的成果 | 第79页 |
