دانلود ترجمه مقاله تشخیص تروجان سخت افزاری مبتنی بر یادگیری ماشین در مدارهای مجتمع

1. مقدمه 2. مروری بر یادگیری ماشین و مدل‌ها 3. مروری بر روش‌های یادگیری ماشین برای تشخیص تروجان سخت‌افزاری 4. بحث و بررسی و کارهای آتی 5. نتیجه‌گیری

چکیده – تروجان سخت‌افزاری (HT) یک مدار اضافی است که به نحوی هدفمند در مرحله طراحی یا تولید در داخل مدارهای مجتمع (IC) قرار می‌گیرد. این مدار از پتانسیل استخراج اطلاعات پنهان یا تغییر فعالیت مدار برخوردار می باشد. با توجه به نتایج استثنایی یادگیری ماشین (ML) در طیف وسیعی از حوزه‌های یادگیری، جامعه علمی و تجاری در حال بررسی نحوه تقویت حملات تروجان سخت‌افزاری (HT) با استفاده از روش‌های سنتی می باشد. اما مطالعات پیمایشی اندکی به طور کامل دستاوردها را مورد ارزیابی قرار داده اند و به پوشش مسائل حل نشده در رابطه با این موضوع پرداخته اند. در این تحقیق، مقالات مربوط به روش‌های تعریف مسائل HT متمرکز بر یادگیری ماشین مورد بررسی قرار گرفته است. در این پژوهش ابتدا همه حملات HT شناخته شده را طبقه‌بندی کرده و سپس تکامل جدیدترین مدل‌های یادگیری ماشین در پنج حوزه جداگانه تشخیص HT مورد تحلیل قرار میگیرد. همچنین، هندسی معکوس، تحلیل کانال جانبی، و تحلیل بدون مدل مرجع، تحلیل ویژگی مدار و رویکردهای طبقه‌بندینیز انجام می گیرد. بر اساس این بررسی، تجربیات آموخته شده و موانع ناشی از تحقیقات قبلی نیز مورد تحلیل قرار می گیرد. علاوه بر این، مطالعات دفاع HT، مزایا و معایب ML نظارت‌شده و نظارت نشده مورد بحث قرار می‌دهد. در نهایت، مقایسه‌ای بین رویکردهای تشخیص HT مبتنی بر یادگیری ماشین و غیر مبتنی بر یادگیری ماشین صورت گرفته و چالش‌های فعلی با کارهای نیز مطرح می شود.

A purposefully inserted additional circuit known as the Hardware Trojan (HT) is implanted inside original integrated circuits during the designing or manufacturing stages. It has the potential to manipulate circuit performance or acquire underlying information. Due to machine learning’s (ML) exceptional results across a range of learning domains, the academic and business community are now looking at how Hardware Trojan (HT) attacks can be strengthened by employing conventional methods. Only a few survey studies have thoroughly evaluated the achievements and covered the unresolved issues in this subject. The literature for methods of defining HT concerns centered on machine learning is being reviewed in this research. Specifically, we first classify all known HT attacks and later analyze the evolution of the latest machine learning models in five separate areas of HT detection: reverse engineering, side-channel analysis, and golden model-free analysis, circuit feature analysis and classification approaches. Based on the review, we analyze the lessons learned and obstacles that have emerged from prior investigations. HT Defense Studies discusses the pros and cons of Supervised and unsupervised ML. Finally, a comparison of machine learning-based and nonmachine learning–based HT detection approaches is shown and current challenges with future work are also suggested.

ترجمه این مقاله در 23 صفحه آماده شده و در ادامه نیز صفحه 13 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.