[发明专利]基于高斯核函数SVM的硬件木马噪声预处理方法

权利要求书

1.一种基于高斯核函数SVM的硬件木马噪声预处理方法，其特征是，通过采集原始电路及在原始电路中植入木马电路工作过程中的功耗信息，并通过基于高斯核函数的支持向量回归机技术，构造高斯滤波器，对两类电路功耗信息进行处理，实现两类电路功耗信息的明显区分，进而实现对硬件木马电路的判别。

2.如权利要求1所述的基于高斯核函数SVM的硬件木马噪声预处理方法，其特征是，通过基于高斯核函数的支持向量回归机技术，构造高斯滤波器，对两类电路功耗信息进行处理，具体是对原始电路和木马电路不断进行调优，对于高斯核函数SVM来说，调优的参数是惩罚因子C和核函数参数λ，将固定范围内的C和λ按规定的步长进行取值，分别代入函数进行对比，得到相应的功耗曲线，通过不断地迭代更新，每次更新用马氏距离进行评估，找到效果最好的功耗曲线，进而确定产生效果最好的C值和λ值，从而实现对硬件木马电路的判别。

3.如权利要求1所述的基于高斯核函数SVM的硬件木马噪声预处理方法，其特征是，具体步骤细化如下：

步骤1：搭建旁路信息采集平台，该测试平台由FPGA、数字示波器、电流信息采集探头、电磁信息采集探头、信号放大器、固定平台以及计算机组成，用于测量电路工作过程中包括电压、电流、电磁信息的功耗信息；

步骤2：将不含硬件木马的母本电路下载至FPGA中，利用旁路信息采集平台采集其工作过程中的功耗信息；

步骤3：在母本电路中植入硬件木马电路，并将携带硬件木马的电路载入FPGA芯片中，通过对电路的功耗信息的检测，获取植入硬件木马的电路的功耗信息{(Xi，Yi)}(Xi表示横坐标，Yi表示纵坐标)；

步骤4：将获取的母本电路和植入硬件木马的电路的功耗数据进行基于高斯核函数的降噪预处理；

步骤5：确定核函数的高斯核半径和惩罚因子。确定高斯核半径：对于样本{(Xi，Yi)}(Rⁿ表示样本空间)，在原空间中两点间的距离表示为：

同样，在特征空间中两点的距离表示为：由于采用高斯函数，上式简化为

定义S_w＝S_w1+S_w2为特征空间中同类样本的类间距离，其中，

定义，

为特征空间中异类样本的类间距离，得到类间与类内之比计算类间与类内距离之比S时不涉及到惩罚系数C，因此，为了在不同的数据集上取得一致，惩罚参数都取正无穷，高斯核半径σ＝10^β，当类间与类内平方距离之比：通过一个向上的跳跃即将趋于稳定时，测试错误率也都保持在一个让人满意的值，这个时候的σ即为预先求得核半径；

确定惩罚因子C：在用类间与类内距离之比的方法选定了高斯核半径之后，通过留一误差上界来选择合适的惩罚参数C，惩罚参数C＝10^θ，θ的取值以0.5为间隔，在0到6之间，记录选定的高斯核函数半径σ后通过不同的惩罚参数得到的最小误差上界minJ(σ’,C)，最小误差上界minJ(σ’，C)对应的参数(σ’，C_J)和由参数(σ’，C_J)训练得到的支持向量机在测试集上的错误率，对于一个固定的特征空间，当C超过一定值时，支持向量机的复杂度达到了空间T上允许的最大值，此时的经验风险和推广能力几乎不再变换，所以，留一误差上界出现多个相同的最小值时，取它对应的最小的σ和C值；

步骤6：对降噪后的数据进行马氏距离的数据处理，根据马氏距离的远近来不断对惩罚因子和高斯核函数半径进行调优，最终找到效果最好的参数。