众核片上网络芯片的硬件木马在线检测关键技术研究

Network on Chip (NoC) that provides efficient, reliable and flexible communication architecture was proposed to solve complex SoC global interconnection and communication problems. However, the Hardware Trojans detection of NoC is becoming more and more difficult due to the increase in the quantity of integrated IP cores. Considering the requirement of high hardware security on NoC, preventing the Hardware Trojans that are embedded as malicious circuits in the IC during the design or manufacturing process to make the circuit failure in certain conditions or disclose confidential information, this project investigates on-line Hardware Trojan detection for many-core NoCs. It mainly focuses on these issues: (1) countermeasures of hardware Trojan attack in NoC communication architecture; (2) the behavioral model of IP core Trojans and “Golden Data Set” of Trojan features; (3) on-line Trojan detection scheme of many-core NoCs. Firstly, the dynamic “Secure Zone” and the customized key-exchange protocol will be studied. Then the Trojans prevention communication architecture will be constructed to guarantee the secure data transmission on NoCs. And on this basis, the ‘suspicious points’ behavior model of the hardware Trojan for third party IP cores will be researched and the data set of Trojans features will be achieved. Furthermore, the adaptive real-time Trojan detection framework on many-core NoCs through SVM Machine learning algorithm will be established. Finally, a sophisticated highly credible NoC-based SoC design scheme will be accomplished.

片上网络（NoC）是解决复杂系统芯片全局互连与通信问题的有效方案，但其架构中常集成了大量异构IP模块，使得检测芯片是否存在硬件木马的工作难上加难。针对众核NoC芯片在硬件安全性上的需求，防止NoC芯片在设计或制造过程中被恶意植入硬件木马，使得电路在某些特定条件下失效或泄露机密信息，本项目拟开展众核片上网络硬件木马在线检测的关键技术研究。重点探讨以下几个方面：（1）片上网络通信链路的抗木马攻击结构设计；（2）IP核的行为级硬件木马建模和特征数据集的建立；（3）基于机器学习SVM算法的硬件木马在线检测方法。首先，基于安全群组的动态划分和自定义密钥协议，建立抗木马攻击的NoC结构，为木马检测提供可靠的链路保障；在此基础上，构建IP核的硬件木马“可疑点”模型，分析并提取IP核的特征数据集，进而，研究自适应的SVM机器学习算法，以实现IP核的硬件木马实时检测，最终形成高可靠性众核片上网络设计方案。

本项目针对片上网络NoC的发展趋势以及众核片上系统芯片高可靠性应用的需求，开展众核片上网络芯片硬件木马在线检测方法研究，重点探讨NoC通信链路的功能级抗木马攻击设计、IP核的行为级木马建模和高性能的众核NoC硬件木马检测方法。主要研究成果如下：.一..提出一种具备在线检测流量攻击的安全性NoC架构，通过数据收集模块使用基于变更点检测的异常检测算法以及随机森林算法，用于检测NoC数据流变化并判断是否为木马攻击。对功能模块进行安全域的划分，通过安全管理模块实现组密钥和传输报文的加密，并可实现安全域的动态配置。.二..提出了一套基于特征提取和机器学习的RTL级硬件木马检测方法，基于Verilog的语法定义了各个节点的RTL级特征，并由此构成数据集，结合SVM和随机森林的机器学习算法，最终实现RTL级第三方IP核的硬件木马检测。.三..提出了跨时序逻辑隐藏弱影响木马输入信号和低扇入结构的木马触发模块设计思路，在负载模块提出了跨时序逻辑隐藏冗余木马输入信号的设计思路，此外给出了可打破状态隔离的硬件木马电路设计，为内嵌木马电路提供了新的测试实例。.四..提出了一种基于机器学习的混合模式门级硬件木马检测方案。该检测方案由多层级定位方法和电路结构检测方法组成。多层级定位方法从统计和分析电路信号节点特征的角度出发，适用于检测出待测电路中所有木马信号的需求。电路结构检测方法从提高检测节点颗粒度的角度出发，适用于快速识别出待测电路中是否存在木马结构的需求。同时，电路结构检测方法可以有效地优化多层级定位方法因其检测颗粒度过小而可能存在的误判情况。.综合以上的NoC安全性架构设计和RTL级/门级的硬件木马检测方法的研究，构建众核片上网络硬件木马评估平台，并应用典型应用（PARSEC和SPLASH-2 Benchmark）进行测试和评估，验证了本项目所构建的检测方案有效性和先进性。.