[发明专利]物理非克隆功能抗模板攻击和人工智能攻击的方法有效
| 申请号： | 201810141313.7 | 申请日： | 2018-02-11 |
| 公开（公告）号： | CN108460297B | 公开（公告）日： | 2019-02-19 |
| 发明（设计）人： | 王明宇 | 申请（专利权）人： | 复旦大学 |
| 主分类号： | G06F21/76 | 分类号： | G06F21/76;G06F21/55 |
| 代理公司： | 济南泉城专利商标事务所 37218 | 代理人： | 李桂存 |
| 地址： | 200433 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于集成电路设计领域的芯片安全防护领域，涉及用于一种采用深度学习网络电路保护物理非克隆功能抗模板攻击和人工智能攻击的方法，采用以下步骤：具有物理非克隆功能的芯片，其实际物理非克隆功能模块电路输出端连接到一个深度学习网络电路，其物理非克隆模拟模块的输入端连接该深度学习网络电路；采用模板攻击和深度学习网络攻击方式对深度学习网络电路进行训练和测试；根据训练数据和测试数据确定深度学习网络电路的权重参数Wn;使测试结果的抗攻击正确率在55%以下。本发明的有益效果是，采用深度学习网络电路保护物理非克隆功能模块抗模板攻击和人工智能攻击的方法，使之特征无法被模板攻击或深度学习网络攻击来提取并预测，从而保证芯片的安全。 | ||
| 搜索关键词： | 网络电路 攻击 克隆 人工智能 学习 网络攻击 芯片 测试数据确定 功能模块电路 集成电路设计 芯片安全防护 输出端连接 输入端连接 模拟模块 权重参数 实际物理 训练数据 抗攻击 正确率 测试 预测 安全 保证 | ||
【主权项】：
1.一种物理非克隆功能抗模板攻击和人工智能攻击的方法，其特征在于采用以下步骤：（1）具有物理非克隆功能的芯片，其实际物理非克隆功能模块输出连接到一个深度学习网络电路，其物理非克隆的模拟模块的输入端连接该深度学习网络电路；（2）采用模板攻击和深度学习网络攻击方式对深度学习网络电路进行训练和测试，通过M万组以上的输入选择控制位并产生对应的M万组以上的输出位的组合来训练深度学习网络；同时产生N万组以上的输入选择控制位并产生对应的N万组以上的输出位，组合成N万组的测试数据来测试训练后的深度学习网络电路；所述的M>=5，N>=5；（3）根据训练数据和测试数据确定深度学习网络电路的权重参数Wn;（4）如果测试结果，抗攻击准确率在55%以下，则保护电路功能起作用，能够用来抵抗模板攻击或人工智能攻击方法对物理非克隆功能模块的攻击；如果抗攻击准确率高于55%，则重新执行步骤（ 2） ‑（ 3） ，直至抗攻击准确率降到55%以下。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于复旦大学，未经复旦大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810141313.7/，转载请声明来源钻瓜专利网。
