دانلود ترجمه مقاله شناسایی تروجان سخت افزاری با استفاده از یادگیری ماشین

1. مقدمه 2. آزمون ها/طبقه بندی تروجان سخت افزاری 3. مشکلات تشخیص تروجان سخت افزاری 4. تشخیص تروجان سخت افزاری بر اساس یادگیری ماشین 5. اجرای تشخیص تروجان سخت افزاری بر اساس یادگیری ماشین 6. جهت گیری های آینده و بحث و بررسی 7. نتیجه گیری

چکیده – با افزایش رشد و جهانی شدن طراحی و توسعه مدارهای مجتمع، تعداد طراحان و شرکت‌های طراحی نیز افزایش یافته است. از آنجایی که راه‌اندازی یک مرکز تولید ممکن است به راحتی بیش از ۲۰ میلیارد دلار هزینه داشته باشد، هزینه‌های گره‌های پیشرفته ممکن است حتی بیشتر باشد. شرکت‌های طراحی مدار مجتمع که نمی‌توانند تراشه‌های خود را به صورت داخلی تولید کنند، چاره‌ای جز استفاده از کارخانه‌های ریخته‌گری خارجی که اغلب در کشورهای دیگر واقع شده‌اند ندارند. ایجاد اعتماد با این کارخانه‌های ریخته‌گری خارجی می‌تواند چالش‌برانگیز باشد و فرض می‌شود که این کارخانه‌ها قابل اعتماد نیستند. استفاده از این کارخانه‌های ریخته‌گری غیرقابل اعتماد در زنجیره تامین جهانی نیمه‌رساناها نگرانی‌هایی را در مورد امنیت مدارهای مجتمع تولید شده برای کاربردهای حساس ایجاد کرده است. یکی از این تهدیدات امنیتی، آلودگی خصمانه مدارهای مجتمع تولید شده با تروجان سخت‌افزاری است. تروجان سخت‌افزاری را می‌توان به طور گسترده به عنوان یک تغییر مخرب در یک مدار برای کنترل، اصلاح، غیرفعال کردن یا نظارت بر منطق آن توصیف کرد. آزمایش‌ها و روش‌های تأیید تولید VLSI سنتی به دلیل ماهیت متفاوت و مدل‌نشده این تغییرات مخرب، قادر به تشخیص تروجان سخت‌افزاری نیستند. روش‌های پیشرفته فعلی تشخیص تروجان سخت‌افزاری از تحلیل آماری اطلاعات مختلف کانال جانبی جمع‌آوری شده از مدارهای مجتمع مانند تحلیل توان، تحلیل گذرای منبع تغذیه، تحلیل جریان منطقه‌ای، تحلیل دما، تحلیل توان انتقال بی‌سیم و تحلیل تاخیر استفاده می‌کنند. برای تشخیص تروجان‌های سخت‌افزاری، اکثر روش‌ها به یک IC طلایی مرجع بدون تروجان نیاز دارند. یک امضا از این ICهای طلایی استخراج شده و برای تشخیص ICهای دارای تروجان سخت‌افزاری استفاده می‌شود. با این حال، دسترسی به یک IC طلایی همیشه امکان‌پدیر نیست. بنابراین، مکانیسمی برای تشخیص تروجان سخت‌افزاری جستجو می‌شود که به IC طلایی نیاز نداشته باشد. رویکردهای یادگیری ماشین ( یادگیری ماشین ) برای کمک به حذف نیاز به یک IC طلایی بسیار مفید ظاهر شده‌اند. کارهای اخیر در مورد استفاده از یادگیری ماشین برای تشخیص تروجان سخت‌افزاری نشان داده است که در دستیابی به این هدف امیدوارکننده هستند. بنابراین، در این آموزش، ما استفاده از یادگیری ماشین را به عنوان راه حلی برای چالش تشخیص تروجان سخت‌افزاری توضیح خواهیم داد. علاوه بر این، جریان ابزار طراحی الکترونیکی (EDA) را برای خودکارسازی تشخیص تروجان سخت‌افزاری با کمک یادگیری ماشین توصیف خواهیم کرد. علاوه بر این، برای بحث بیشتر در مورد مزایای راهکارهای تشخیص تروجان سخت‌افزاری با کمک یادگیری ماشین، یک روش پروفایل‌سازی زمان‌بندی با کمک شبکه عصبی (NN) برای تشخیص تروجان سخت‌افزاری نشان خواهیم داد. در نهایت، به بررسی کمبودها و چالش‌های باز روش‌های تشخیص تروجان سخت‌افزاری با کمک یادگیری ماشین خواهیم پرداخت.

With the growth and globalization of IC design and development, there is an increase in the number of Designers and Design houses. As setting up a fabrication facility may easily cost upwards of $20 billion, costs for advanced nodes may be even greater. IC design houses that cannot produce their chips in-house have no option but to use external foundries that are often in other countries. Establishing trust with these external foundries can be a challenge, and these foundries are assumed to be untrusted. The use of these untrusted foundries in the global semiconductor supply chain has raised concerns about the security of the fabricated ICs targeted for sensitive applications. One of these security threats is the adversarial infestation of fabricated ICs with a Hardware Trojan (HT). An HT can be broadly described as a malicious modification to a circuit to control, modify, disable, or monitor its logic. Conventional VLSI manufacturing tests and verification methods fail to detect HT due to the different and un-modeled nature of these malicious modifications. Current state-of-the-art HT detection methods utilize statistical analysis of various side-channel information collected from ICs, such as power analysis, power supply transient analysis, regional supply current analysis, temperature analysis, wireless transmission power analysis, and delay analysis. To detect HTs, most methods require a Trojan-free reference golden IC. A signature from these golden ICs is extracted and used to detect ICs with HTs. However, access to a golden IC is not always feasible. Thus, a mechanism for HT detection is sought that does not require the golden IC. Machine Learning (ML) approaches have emerged to be extremely useful in helping eliminate the need for a golden IC. Recent works on utilizing ML for HT detection have been shown to be promising in achieving this goal. Thus, in this tutorial, we will explain utilizing ML as a solution to the challenge of HT detection. Additionally, we will describe the Electronic Design Automation (EDA) tool flow for automating ML-assisted HT detection. Moreover, to further discuss the benefits of ML-assisted HT detection solutions, we will demonstrate a Neural Network (NN)-assisted timing profiling method for HT detection. Finally, we will discuss the shortcomings and open challenges of ML-assisted HT detection methods.

ترجمه این مقاله در 39 صفحه آماده شده و در ادامه نیز صفحه 26 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.