基于侧信道分析的硬件木马检测技术
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究目的和意义 | 第9-11页 |
| 1.2 国内外研究现状分析 | 第11-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第2章 硬件木马检测技术 | 第16-28页 |
| 2.1 硬件木马概念及结构 | 第16-17页 |
| 2.2 硬件木马的分类 | 第17-18页 |
| 2.3 硬件木马检测方法 | 第18-22页 |
| 2.3.1 侧信道分析技术 | 第19-20页 |
| 2.3.2 硬件木马检测方案 | 第20-22页 |
| 2.4 机器学习算法概述 | 第22-26页 |
| 2.4.1 神经网络算法 | 第22-24页 |
| 2.4.2 支持向量机算法 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 硬件木马与检测平台设计 | 第28-43页 |
| 3.1 mini AES算法的实现 | 第28-30页 |
| 3.1.1 mini AES算法简介 | 第28页 |
| 3.1.2 功能仿真及DC综合结果 | 第28-30页 |
| 3.2 泄密型木马设计 | 第30-33页 |
| 3.2.1 木马设计原理 | 第30-31页 |
| 3.2.2 功能仿真及综合结果 | 第31-33页 |
| 3.3 功能型木马 | 第33-35页 |
| 3.3.1 木马设计原理 | 第33-34页 |
| 3.3.2 木马仿真结果 | 第34-35页 |
| 3.4 硬件木马检测平台的设计 | 第35-42页 |
| 3.4.1 检测平台系统设计 | 第36页 |
| 3.4.2 功耗采集平台 | 第36-39页 |
| 3.4.3 数据预处理 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于神经网络的硬件木马检测 | 第43-58页 |
| 4.1 基于神经网络算法的硬件木马检测 | 第43-52页 |
| 4.1.1 神经网络算法的实现 | 第43-46页 |
| 4.1.2 基于BP NN实现硬件木马检测 | 第46-52页 |
| 4.2 基于粒子群算法的硬件木马检测 | 第52-56页 |
| 4.2.1 粒子群算法的实现 | 第52-54页 |
| 4.2.2 硬件木马检测结果 | 第54-56页 |
| 4.3 检测方案评估 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 基于支持向量机的木马检测 | 第58-74页 |
| 5.1 基于遗传算法的硬件木马检测 | 第58-63页 |
| 5.1.1 遗传算法原理 | 第58-60页 |
| 5.1.2 硬件木马检测结果 | 第60-63页 |
| 5.2 基于网格优化算法的硬件木马检测 | 第63-67页 |
| 5.2.1 网格优化算法原理 | 第63-64页 |
| 5.2.2 硬件木马检测结果 | 第64-67页 |
| 5.3 超球面算法 | 第67-72页 |
| 5.3.1 超球面算法的原理及实现 | 第67-70页 |
| 5.3.2 硬件木马检测结果 | 第70-72页 |
| 5.4 检测方案评估 | 第72-73页 |
| 5.5 本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81页 |
