成 釗，王和明，唐永康，張 穎

CHENG Zhao1，2,WANG Heming1,TANG Yongkang2,ZHANG Ying1

1.空軍工程大學(xué) 防空反導(dǎo)學(xué)院，西安 710051

2.國防科技大學(xué) 計算機學(xué)院，長沙 410073

1.Air Defense and Antimissile Institute,Air Force Engineering University,Xi’an 710051,China

2.School of Computer,National University of Defense Technology,Changsha 410073,China

1 引言

在針對集成電路的非傳統(tǒng)安全威脅中，硬件木馬是一種熱門的攻擊方式，它植入方式靈活，攻擊手段多樣，隱蔽性普遍較高，由此帶來了集成電路安全領(lǐng)域的“攻防失衡”問題，業(yè)界急需應(yīng)對硬件木馬威脅的可靠防御手段。根據(jù)集成電路設(shè)計制造全球化的發(fā)展趨勢，第三方代工廠在生產(chǎn)階段植入的硬件木馬是目前和未來的重點防御對象[1]。

如今業(yè)內(nèi)針對硬件木馬的檢測方法可分為破壞性方法和非破壞性方法。破壞性方法主要指的是反向解剖驗證，其效果較好但成本非常高昂。非破壞性方法包含功能測試和旁路分析。在功能測試領(lǐng)域中，Banga和Hsiao等于2009年提出利用基于測試模式生成方法激活木馬，并提高了在輸出結(jié)果中觀測到木馬的作用效果的概率[2]。Zhang等人于2015年提出基于翻轉(zhuǎn)率篩選的硬件木馬檢測方法[3]，通過仿真篩選出翻轉(zhuǎn)率較低的部分，再對可疑點進行排除和對比，找出藏有木馬的部分。在旁路分析領(lǐng)域中，Liu等人在2013年提出了一種利用功耗信息的旁路檢測技術(shù)來檢測信息泄露型木馬[4]。2014年Soll等人提出基于電磁輻射的硬件木馬監(jiān)測方法[5]。2008年Jin和Makris提出一種基于路徑延遲特征識別方法[6]，即一種基于木馬電路引起的路徑延遲而形成的木馬檢測技術(shù)。2014年，Intel公司、AMD公司和Rice大學(xué)等機構(gòu)聯(lián)合署名發(fā)表文章，提出了一種基于芯片工作紅外圖像的硬件木馬檢測方法[7]。國防科技大學(xué)唐永康等人于2016年提出了基于自我監(jiān)控的有限狀態(tài)機的硬件木馬防御方法[8]，并于2017年提出了基于紅外光譜分析的硬件木馬檢測方法[9]。國防科技大學(xué)沈高等人于2017年提出了基于二級差分的硬件木馬檢測方法[10]。

相較于其他思路，基于芯片工作時的紅外圖像對硬件木馬檢測是一種檢測力更強的方法，其主要優(yōu)勢在于：第一，采集的紅外圖像信息是直觀的二維信息，可獲取芯片內(nèi)部微小電路工作的信息；第二，此方法通過工作散熱區(qū)分了靜態(tài)功耗和動態(tài)功耗，有助于判別硬件木馬的植入；第三，時間成本和經(jīng)濟成本都比較低廉。但目前業(yè)內(nèi)還未形成標(biāo)準(zhǔn)檢測流程和統(tǒng)一檢測方案。

本文立足于將硬件木馬顯化的目標(biāo)，設(shè)計了一種利用RO環(huán)（Ring Oscillator，環(huán)形振蕩器）充當(dāng)可信任安全設(shè)計的方法并提取紅外圖像，在此基礎(chǔ)上提出了一種融合了時間維和空間維的細(xì)節(jié)增強方法，即首先在時間維對700張連續(xù)紅外圖像使用自適應(yīng)濾波進行初步降噪處理；進而在空間維對其使用基于引導(dǎo)濾波的增強細(xì)節(jié)方法進行細(xì)節(jié)優(yōu)化；最終選擇信噪比較高的紅外圖像作為判定依據(jù)，并利用FPGA進行了實驗驗證。

2 理論分析

2.1 硬件結(jié)構(gòu)分析

2.1.1 硬件木馬結(jié)構(gòu)

硬件木馬的設(shè)計存在于整個集成電路設(shè)計和制造流程中，主要借助設(shè)計過程中電路內(nèi)部冗余狀態(tài)或版圖中冗余面積對目標(biāo)電路進行有目的的篡改，從而實現(xiàn)無條件或在預(yù)設(shè)的觸發(fā)條件下篡改電路功能、泄露機密信息或癱瘓系統(tǒng)的目的。

從結(jié)構(gòu)角度分類，硬件木馬主要包括兩類，如圖1所示：第一類是擁有觸發(fā)邏輯與功能邏輯的硬件木馬，其觸發(fā)邏輯處于長期偵聽正常工作邏輯中特定信號的工作狀態(tài)；功能邏輯在觸發(fā)信號到達前長期處于靜止?fàn)顟B(tài)，一旦觸發(fā)信號到達，便立刻執(zhí)行其預(yù)設(shè)的惡意功能。第二類是只擁有功能邏輯的硬件木馬，沒有觸發(fā)邏輯，功能邏輯時刻保持威脅電路和信息安全的工作狀態(tài)。

圖1 硬件木馬結(jié)構(gòu)分類

不論是第一類硬件木馬還是第二類硬件木馬，都存在著芯片正常邏輯之外的額外邏輯保持工作狀態(tài)，這些額外邏輯都會侵占芯片的無邏輯區(qū)。

2.1.2 基于RO環(huán)的可信任安全設(shè)計

RO環(huán)是由非門搭建的奇數(shù)級環(huán)路，無需時鐘控制翻轉(zhuǎn).環(huán)形振蕩器翻轉(zhuǎn)率與級數(shù)相關(guān)，最高可在90%以上，即功耗極高，發(fā)熱極大。打斷環(huán)形振蕩器，整個環(huán)路將停止工作。

考慮到硬件木馬植入是通過占領(lǐng)無邏輯區(qū)實現(xiàn)的，給出一種基于RO環(huán)的可信任安全設(shè)計。此設(shè)計利用多組RO環(huán)占領(lǐng)無邏輯區(qū)，并利用如圖2所示的多模工作狀態(tài)將熱模式和正常模式區(qū)分開。在熱模式中，如果硬件木馬植入則會打斷RO環(huán)，形成低溫區(qū)并導(dǎo)致其熱邊界的改變，通過觀測熱模式紅外圖像的低溫區(qū)和熱邊界，即可判斷是否有硬件木馬植入。

圖2 RO環(huán)熱模式與正常工作模式

參考文獻[7，10]均采用了提取芯片正常工作的紅外圖像，并與純凈母片相比對從而檢測硬件木馬有無的方案，但一般而言，純凈芯片母本是難以獲取的。與之相比，此設(shè)計法優(yōu)點有：第一，無需母本；第二，在冷背景中檢測可信任安全設(shè)計是否完整，即利用多模工作狀態(tài)避開無需檢測的正常邏輯功能區(qū)，只檢測硬件木馬可能植入的區(qū)域；第三，將可信任安全設(shè)計對芯片原有正常功能的影響降到最低。

2.2 紅外圖像提取分析

2.2.1 發(fā)熱機理

一切硬件邏輯都以晶體管為基礎(chǔ)，其能量消耗實質(zhì)上可以分為靜態(tài)能量消耗和動態(tài)能量消耗兩部分[11]。

靜態(tài)能量消耗Pstat，是元件中沒有任何翻轉(zhuǎn)活動時的能量消耗，用Ileak表示漏電流，則靜態(tài)能量消耗Pstat可如下式子計算：

由于在通常工藝下Ileak極小，靜態(tài)能量消耗極小，且硬件木馬的觸發(fā)邏輯翻轉(zhuǎn)率較高，相比于動態(tài)能量消耗而言，靜態(tài)能量消耗中發(fā)散的熱量可以忽略不計。

動態(tài)能量消耗Pdyn是邏輯電路產(chǎn)生翻轉(zhuǎn)時存在動態(tài)能量消耗，且占主導(dǎo)地位。動態(tài)能量消耗產(chǎn)生有兩個實際因素：

第一個因素是當(dāng)元件輸出信號轉(zhuǎn)換時，會產(chǎn)生瞬時短路電流：

其中，時間T內(nèi)短路電流所造成的平均能量消耗為Psc；Psc(t)表示邏輯元件瞬時短路能量消耗；Ipeak表示轉(zhuǎn)換活動引起的短路電流峰值；tsc表示短路電流持續(xù)時間。由于短路電路引起的動態(tài)功耗通常較小，短路功耗的散發(fā)的熱量可以忽略不計。

第二個因素是元件中負(fù)載電容充電，電源提供的能量可通過如下積分方程計算得到：

存儲在負(fù)載電容CL中的能量可通過如下積分得到：

動態(tài)能量轉(zhuǎn)換只與負(fù)載電容CL大小以及電源電壓VDD大小有關(guān)，根據(jù)能量守恒定律，由電源提供的能量、存儲在負(fù)載電容CL中的能量以及由電阻R轉(zhuǎn)化成熱能的能量滿足如下等式：

可以得到在這一過程中由源漏電阻R轉(zhuǎn)化成熱能的能量，即熱量Q的主要成分為：

RO環(huán)的翻轉(zhuǎn)率極高，其紅外信號主要來自于非門晶體管動態(tài)功耗逸散的熱量。

2.2.2 導(dǎo)熱機理

絕大部分的源漏電阻是由MOS管源漏擴散區(qū)的硅基電阻以及柵下導(dǎo)電溝道的硅基電阻組成，即由電能轉(zhuǎn)化成的紅外能絕大部分都存儲在MOS管下的硅襯底中。根據(jù)紅外學(xué)公式Q=CmΔT，變形得到其中ΔT表示硅襯底的溫度變化，單位為℃；Q表示硅襯底吸收的紅外能大小，單位為J；m表示硅襯底的質(zhì)量，單位為kg；C表示硅襯底的比紅外容大小，單位為J/(kg?℃)。硅比紅外容CSi的大小為703 J/(kg?℃)。

2.2.3 紅外圖像提取過程

紅外成像實驗平臺主要由紅外熱成像儀、計算機和軟件等組成。如圖3所示，紅外熱成像儀的作用是提取芯片紅外信息并將其傳輸?shù)接嬎銠C上，計算機和軟件的作用是處理紅外數(shù)據(jù)和顯示紅外圖像。其中，紅外熱成像儀是一個由許多微米量級像素元件組成的FPA，其分辨率的范圍是160×120～1024×1024。

圖3 紅外圖像提取實驗平臺

通常，檢測的芯片是BGA封裝的芯片，其結(jié)構(gòu)如圖4所示?？芍酒墓枰r底面是朝向上方的，而銅互連層是朝向下方的并與電路相連。

圖4 芯片開蓋示意圖

由上文可知，芯片的絕大部分紅外能來源于晶體管的動態(tài)功耗，并由硅襯底傳導(dǎo)，把FPGA上蓋剖開，即可將芯片的硅片直接暴露在紅外成像儀器下，從而完成紅外圖像數(shù)據(jù)的提取。

2.3 降噪與細(xì)節(jié)增強方法分析

2.3.1 降低噪聲和增強細(xì)節(jié)的關(guān)系

面對一個不能區(qū)分有用信息和噪聲的圖像，在增強有用細(xì)節(jié)的同時，也會增強無用的噪聲；在降低無用噪聲的同時，也會減弱有用的細(xì)節(jié)。參考文獻[10]采用了樣品紅外圖像與純凈母本紅外圖像進行一次差分，再對紅外圖像剩余像素進行一次差分，最后使用卡爾曼濾波降噪的方案。此方案存在的問題是：第一，需要純凈母本；第二，對樣品和純凈母本提取圖像的過程是相互獨立的，不能保證差分的效果；第三，僅使用卡爾曼濾波降噪，未考慮對硬件木馬信號的增強。對應(yīng)這些問題，本文方法不需要純凈母本，只需一次圖像提取過程，且在時間維完成降噪處理，在空間維完成增強處理，規(guī)避了一個維度上降噪和增強的矛盾。

2.3.2 自適應(yīng)濾波

自適應(yīng)濾波利用前一時刻已獲得的濾波器參數(shù)等結(jié)果，自動調(diào)節(jié)現(xiàn)時刻的濾波器參數(shù)，以適應(yīng)信號和噪聲未知或隨時間變化的統(tǒng)計特性，從而實現(xiàn)最優(yōu)濾波[12]，如圖5所示。

圖5 自適應(yīng)濾波

式中，x(n)為n時刻參考輸入信號；W(n)為n時刻自適應(yīng)濾波器權(quán)系數(shù)；W?(n)為n時刻未知系統(tǒng)權(quán)系數(shù)；d(n)為期望信號；e(n)為誤差信號；ξ(n)為輸入干擾信號；c(n)為跟蹤誤差信號；μ為步長因子，用來控制穩(wěn)定性和收斂速度。

n階自適應(yīng)濾波器權(quán)系數(shù)：

2.3.3 引導(dǎo)濾波

引導(dǎo)濾波[13]是本文所采用的細(xì)節(jié)增強方法的第一步，其模型默認(rèn)復(fù)雜函數(shù)可以分解為多個局部線性函數(shù)的總和。同理，圖像是無法用解析式表示的二維函數(shù)，假設(shè)該函數(shù)輸出和輸入在一個二維窗口內(nèi)滿足線性關(guān)系：

其中，q是輸出像素的值；I是輸入圖像的值；i和k是像素索引；a和b是當(dāng)窗口中心位于k時該線性函數(shù)的系數(shù)；ωk是所有包含像素i的窗口；k是其中心位置。對兩邊取梯度可得：

即當(dāng)輸入I有梯度，輸出q也有梯度。求出線性函數(shù)的系數(shù)，希望擬合函數(shù)的輸出值與真實值之間差距最小，即使下式最?。?/p>

參考輸入向量：

這里，p只能是待濾波圖像。同時，a之前的系數(shù)ε用于防止求得的a過大，也是調(diào)節(jié)濾波器濾波效果的重要參數(shù)。通過最小二乘法，可以得到：

其中，μk是I在窗口ωk中的平均值；是I在窗口ωk中的方差；|ω|是窗口ωk中像素的數(shù)量；是待濾波圖像p在窗口ωk中的均值。

在計算每個窗口的線性系數(shù)時，可得知一個像素會被多個窗口包含，即每個像素都由多個線性函數(shù)所描述。因此，要具體求某一點的輸出值時，只需將所有包含該點的線性函數(shù)值平均即可：

2.3.4 空間維細(xì)節(jié)增強方法

基于引導(dǎo)濾波的細(xì)節(jié)增強方法具體過程如圖6所示：首先，對原始圖像進行引導(dǎo)濾波，即保持區(qū)域邊界信息并使區(qū)域內(nèi)信號平滑；第二，使用原始圖像減去引導(dǎo)濾波后的結(jié)果得到差值，此差值為可能包含噪聲的細(xì)節(jié)；第三，對此差值進行放大；最后，把放大后的差值加入經(jīng)引導(dǎo)濾波的圖像達到細(xì)節(jié)增強效果。

圖6 空間維細(xì)節(jié)增強方法

此方法的優(yōu)勢在于引導(dǎo)濾波會保持圖像區(qū)域的邊界信息，因此在作差時區(qū)域邊界會保持在零值附近而不會有抖動，經(jīng)放大細(xì)節(jié)后也不會有明顯的抖動。再加入經(jīng)引導(dǎo)濾波的圖像后，細(xì)節(jié)會有較明顯的增強，并且邊界會非常清晰而不會模糊，在邊界劃分和提取方面有很大優(yōu)勢。

3 實驗設(shè)計

3.1 基于RO環(huán)的可信任安全性設(shè)計

在FPGA中設(shè)計RO環(huán)模擬正常的熱工作模式，并在其中部靠右下區(qū)域留下無邏輯區(qū)，模擬由硬件木馬植入造成的RO環(huán)斷裂（下文稱為模擬單元）產(chǎn)生的低溫區(qū)。通過對信噪比數(shù)據(jù)的分析和對低溫區(qū)的邊界的觀察，判斷紅外圖像處理方法的效果。

3.2 時間維降噪-空間維細(xì)節(jié)增強方法

細(xì)節(jié)增強方法有可能會在增強紅外信號的同時增強噪聲，因此考慮在細(xì)節(jié)增強前先進行一次噪聲濾除。因為空間維降噪和細(xì)節(jié)增強是相互矛盾的，所以此方案采用時間維降噪。

芯片中單個像素點的溫度曲線特點是抖動上升，此抖動就是噪聲的影響結(jié)果。對溫度隨時間上升曲線的降噪只會優(yōu)化曲線的平滑度而不會改變整體的趨勢和溫度上升速率，也不會改變溫度數(shù)據(jù)在空間維的真實分布情況。

此方法降噪具體過程為：首先將單次拍攝的全部700張紅外圖像按時間順序排列；第二，在所有紅外圖像中提取同一像素點的溫度數(shù)據(jù)，即可得到此像素點溫度隨時間上升曲線；第三，對每一個單像素點的溫度曲線使用自適應(yīng)濾波方法，使溫度上升曲線盡可能光滑達到濾除噪聲目的；第四，將所有像素點的自適應(yīng)濾波結(jié)果綜合得到700張濾波后的紅外圖像。

最后，在時間降噪的基礎(chǔ)上，使用基于引導(dǎo)濾波的細(xì)節(jié)增強方法，增強時間降噪后的紅外圖像細(xì)節(jié)，即可得到實驗結(jié)果。

4 實驗結(jié)果與分析

本實驗按時間順序提取了700張芯片工作的紅外圖像，時間間隔為8 ms。隨時間的推移芯片工作時熱擴散現(xiàn)象會越來越明顯，會遮蓋有用信號，因此抽取第10張紅外圖像作為實驗樣張。信噪比如下計算：計算局部方差，將其最大值作為信號方差，最小值作為噪聲方差，求出比值后轉(zhuǎn)成dB數(shù)。假設(shè)一幅M×N的灰度圖像，x(i,j)為模板中心的灰度值，那么在(2n+1)×(2m+1)的窗口內(nèi)，其局部均值可以表示為：

其局部均方差可以表示為：

信噪比為：

4.1 原始圖片信息

由圖7可得，圖片中高溫區(qū)域顏色為紅色，中溫區(qū)域顏色為橙色，低溫區(qū)域顏色為黃色和藍(lán)色，圖片的對比度較差，右下角的模擬單元低溫區(qū)邊界模糊，不可識別。根據(jù)信噪比公式可得，原始圖片的信噪比為13.9683 dB。

4.2 空間維細(xì)節(jié)增強方法

由圖8可直觀看出，基于引導(dǎo)濾波的細(xì)節(jié)增強方法在增強有用信息時，連同噪聲也一并增強了。右下角模擬單元低溫區(qū)信號增強，但被噪聲影響不能識別。信噪比為16.5054 dB，相較原始圖片信噪比提高了2.5497 dB，細(xì)節(jié)增強效果比較明顯。

圖7 未經(jīng)處理的原始紅外圖像

圖8 經(jīng)空間維細(xì)節(jié)增強處理的紅外圖像

4.3 時間維降噪方法

時間維降噪方法通過對單個像素點溫度上升曲線使用自適應(yīng)濾波降噪，從而完成對整幅圖片降噪。效果由平滑度指標(biāo)評價：

式中，f(n)為原始信號，^f(n)為降噪后信號。降噪前方差和為0.3354，降噪后方差和為0.0266，其比值即平滑度r為0.0793。由圖9與圖10對比可知，降噪結(jié)果較好。

圖9 原始單點溫度上升曲線

由圖11可知，經(jīng)時間維降噪后，由于受之后圖像的影響，信號相對加強，完成了噪聲濾除。右下角模擬單元低溫區(qū)與旁邊的高溫區(qū)對比強烈，但邊界仍不能顯化。信噪比為16.5148 dB，相較原始圖片信噪比提高了2.5371 dB，降噪效果比較明顯。

圖10 自適應(yīng)濾波后單點溫度上升曲線

圖11 經(jīng)時間維降噪處理的紅外圖像

4.4 時間維降噪-空間維細(xì)節(jié)增強方法

由圖12可知，經(jīng)時間維降噪-空間維細(xì)節(jié)增強方法處理后，高溫區(qū)和低溫區(qū)對比度加大，右下角模擬單元低溫區(qū)明顯且出現(xiàn)邊界，說明經(jīng)此方法處理后可以增強硬件木馬植入帶來的低溫區(qū)信號，并可以顯化其邊界。信噪比為20.1104 dB，相較原始圖片信噪比提高了6.1421 dB，降噪和細(xì)節(jié)增強效果明顯。

圖12 經(jīng)時間維降噪-空間維細(xì)節(jié)增強處理的紅外圖像

4.5 數(shù)據(jù)分析

本文利用如圖13所示的盒圖進行700幅紅外圖像的信噪比數(shù)據(jù)整理和分析，主要包含中位數(shù)、上四分位數(shù)、下四分位數(shù)、最大觀測值和最小觀測值，并標(biāo)明了大于最大觀測值的離群點。這些數(shù)據(jù)是判斷數(shù)據(jù)集的數(shù)據(jù)離散程度和偏向的依據(jù)，中位數(shù)越靠上說明信噪比越高，上下四分位數(shù)越靠近中位數(shù)說明越穩(wěn)定，離群點越少說明數(shù)據(jù)越可靠。其中最大（最?。┯^測值設(shè)置為與四分位數(shù)值間距離為1.5個IQR（中間四分位數(shù)極差）。

圖13 前700張紅外圖像信噪比數(shù)據(jù)統(tǒng)計盒圖

數(shù)據(jù)結(jié)果如表1所示，可以得出結(jié)論，相比單純降噪或單純增強方法，本文提出的先時間維降噪再空間維增強的方法可以明顯改善芯片工作紅外圖像的信噪比，所有數(shù)據(jù)都處在最佳水平。

表1 數(shù)據(jù)對比

5 結(jié)束語

本文設(shè)計了一種利用RO環(huán)充當(dāng)可信任安全設(shè)計的硬件木馬檢測方法，并提出了一種面向紅外圖像的時間維降噪-空間維細(xì)節(jié)增強方法。該方法在時間維利用自適應(yīng)濾波方法降低噪聲，避免了空間降噪對有用信息的干擾；在空間維利用基于引導(dǎo)濾波的細(xì)節(jié)增強方法優(yōu)化細(xì)節(jié)，提高有用細(xì)節(jié)的對比度。實驗表明，經(jīng)該方法處理后紅外圖像信噪比為20.1104 dB，相比原始圖片提高了6.1421 dB，相比單純降噪提高了3.5956 dB，相比單純細(xì)節(jié)增強提高了3.6050 dB，明顯提高了紅外圖像的信噪比，并顯化了預(yù)先設(shè)置的模擬單元邊界。但將低溫區(qū)邊界顯化只是硬件木馬檢測的第一步，在以后的研究中將逐步加入聚類劃分和識別的研究內(nèi)容。