劉志強，張銘津，池 源，李云松

(1.西安電子科技大學(xué)綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國家重點實驗室，陜西 西安 710071；2.中國科學(xué)院光譜成像技術(shù)重點實驗室，陜西 西安，710119；3.電子元器件可靠性物理及其應(yīng)用技術(shù)重點實驗室，廣東 廣州，510610)

隨著集成電路芯片的設(shè)計制造技術(shù)迅猛發(fā)展，日益普及的第三方技術(shù)服務(wù)一方面降低了芯片廠商的成本，縮短了其投入市場的周期;另一方面卻增加了芯片安全性能方面的風(fēng)險，降低了集成電路的可靠性。在經(jīng)濟全球化的條件下，集成電路芯片從設(shè)計到制造成型的過程中都容易被惡意方添加一些不屬于原始設(shè)計規(guī)格的、額外的惡意電路邏輯單元，也被稱之為“硬件木馬”?？梢尚酒@微圖像與母本版圖分別如圖1和圖2所示。文獻[1]驗證了無論是在模擬電路還是數(shù)字電路中，遠程攻擊者都能通過提前安置的硬件木馬實現(xiàn)對用戶電子產(chǎn)品的遠程控制。硬件木馬的惡意設(shè)計與制造能夠改變或增加集成電路的部分功能，而依賴于這類帶有“硬件木馬”的電子設(shè)備將給使用者帶來不同程度的損失。

為了降低使用芯片攜帶“硬件木馬”的風(fēng)險，研究者們提出了不同的硬件木馬檢測技術(shù)來檢測該類惡意設(shè)計制造的電路結(jié)構(gòu)[2-7]。傳統(tǒng)的檢測方法包括旁路分析和功能測試[8-9]，該類硬件木馬檢測系統(tǒng)都是通過電信號來檢測潛在的硬件木馬的。在實際檢測過程中，基于電信號的硬件木馬檢測技術(shù)存在兩個問題：一是硬件木馬高隱蔽性、低激活性而難以被實際檢測出來；二是該類檢測系統(tǒng)難以實現(xiàn)對芯片全覆蓋檢測。為了解決基于電信號的硬件木馬檢測的問題，研究者們利用先進的光學(xué)成像系統(tǒng)提出了一類基于逆向工程的硬件木馬檢測系統(tǒng)[10]。該類系統(tǒng)是一類破壞性檢測方法，即直接從待檢測芯片樣本中隨機抽取若干樣本進行解剖拆分，然后采集芯片圖像做對比檢測。該硬件木馬檢測方法對檢測芯片具有破壞性且不可逆，但是該檢測方法為隨機取樣，只會對檢測芯片的性能產(chǎn)生影響，而對絕大部分的芯片不會造成破壞性。基于光學(xué)和逆向檢測技術(shù)的硬件木馬檢測系統(tǒng)雖然能夠?qū)π酒瑢崿F(xiàn)百分之百的全覆蓋檢測以及具有較高的檢測精度，但是該類系統(tǒng)對成像質(zhì)量要求比較高，即需要高分辨的芯片顯微圖像。另一方面，樣本芯片中必須存在無硬件木馬的芯片顯微圖像，否則無法進行有效分類并最終識別芯片是否攜帶硬件木馬。

針對基于光學(xué)方法和逆向檢測技術(shù)的硬件木馬檢測過程中對高分辨率芯片顯微圖像獲取代價高，且實際檢測中難以準確獲取不帶硬件木馬的芯片樣本的問題，筆者提出了一種深度學(xué)習(xí)的硬件木馬檢測系統(tǒng)。與其他研究者通過深度學(xué)習(xí)檢測算法[11-13]不同的是，為了減少拍照時間，節(jié)約拍攝成本，這種系統(tǒng)通過拍攝低分辨率芯片顯微圖像，然后通過圖像超分辨率的技術(shù)提升圖像質(zhì)量。在沒有母本芯片顯微圖像的條件下，使用設(shè)計版圖與可疑的芯片微觀照片進行對比檢測。由于二者互為異質(zhì)圖像，圖像特征差別很大，因此筆者的系統(tǒng)加入了異質(zhì)圖像轉(zhuǎn)換模塊實現(xiàn)無母本芯片顯微圖像的對比。筆者的貢獻點可總結(jié)為以下3點：

(1) 提出了通過深度學(xué)習(xí)算法實現(xiàn)硬件木馬檢測，實現(xiàn)了對芯片顯微圖像百分之百的全覆蓋檢測。與原有的基于電信號的硬件木馬檢測技術(shù)相比，大大降低了硬件木馬漏檢率；

(2) 通過基于深度學(xué)習(xí)的超分辨率重建算法，筆者的系統(tǒng)大大降低了芯片顯微圖像獲取的時間成本，節(jié)約了大量人力物力；

(3) 通過芯片設(shè)計版圖實現(xiàn)了基于深度學(xué)習(xí)的異質(zhì)圖像轉(zhuǎn)換算法，該算法實現(xiàn)了系統(tǒng)在無母本芯片顯微圖像中的硬件木馬對比檢測。

圖1 可疑芯片顯微圖像

圖2 母本版圖

1 系統(tǒng)框架

在廣泛了解硬件木馬檢測技術(shù)的基礎(chǔ)上，采取了一種深度學(xué)習(xí)的硬件木馬檢測系統(tǒng)(如圖3所示)。硬件木馬自動光學(xué)檢測系統(tǒng)的實現(xiàn)由硬件和軟件兩部分組成。硬件部分實現(xiàn)對芯片的逆向解剖，主要完成對芯片顯微圖像的采集、傳輸。軟件部分主要包括3大模塊：對采集的低分辨圖像轉(zhuǎn)換為高分辨圖像，然后將高分辨率圖像生成與母本版圖同源的芯片顯微圖像，最后通過變化檢測算法實現(xiàn)硬件木馬的檢測。

圖3 硬件木馬自動光學(xué)檢測系統(tǒng)

2 算法流程

算法的實現(xiàn)主要分為3大模塊，首先通過圖像超分辨算法將低分辨芯片顯微圖像轉(zhuǎn)換為高分辨芯片顯微圖像，然后實現(xiàn)芯片顯微圖像與母版微觀照片間的相互生成轉(zhuǎn)換，通過對抗網(wǎng)絡(luò)學(xué)習(xí)芯片顯微圖像器件布局特征、器件存在形態(tài)特征等，將其遷移至母版圖像。然后根據(jù)生成圖像的特征，將生成后的芯片顯微照片進行預(yù)處理后與母版圖像進行變化檢測。

2.1 基于增強殘差網(wǎng)絡(luò)的圖像超分辨算法

圖像超分辨問題，尤其是單一圖像超分辨問題，在近十年中已經(jīng)受到了廣泛的研究關(guān)注。單一圖像超分辨問題旨在從一張低分辨率圖像中重構(gòu)出一張高分辨率圖像[14-18]。最近，深度神經(jīng)網(wǎng)絡(luò)在圖像超分辨問題中的峰值信噪比方面帶來了很大的性能提升。文獻[19]提出的卷積神經(jīng)網(wǎng)絡(luò)超分辨算法首次將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于解決圖像超分辨的問題中。該方法使用雙三次插值將低分辨率圖像放大成目標尺寸，然后通過三層卷積網(wǎng)絡(luò)擬合非線性映射，圖像塊的提取和特征表示，特征非線性映射和最終的重建，最后輸出高分辨圖像。之后在此基礎(chǔ)上加以改進，通過改變特征維數(shù)和共享其中的映射層，提升了模型的運行速率。卷積神經(jīng)網(wǎng)絡(luò)超分辨算法及其改進的模型[20-21]由于需要將低分辨率圖像通過上采樣插值得到與高分辨率圖像相同大小的尺寸，再輸入到網(wǎng)絡(luò)中，這意味著要在較高的分辨率上進行卷積操作，從而增加了計算復(fù)雜度。為了解決由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且較深時無法訓(xùn)練的問題，文獻[22]將殘差網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)用于圖像超分辨網(wǎng)絡(luò)中，由此提出了深度卷積神經(jīng)網(wǎng)絡(luò)超分辨算法。 該網(wǎng)絡(luò)架構(gòu)只需要學(xué)習(xí)高分辨率圖像和低分辨率圖像之間的高頻部分殘差即可，因此提高了網(wǎng)絡(luò)的訓(xùn)練效率。文中采用基于增強的殘差網(wǎng)絡(luò)圖像超分辨算法，其相對深度卷積神經(jīng)網(wǎng)絡(luò)超分辨算法具有更簡單的結(jié)構(gòu)、更優(yōu)的效率,在芯片顯微圖像集的測試結(jié)果表明，該方法能夠獲得更高的信噪比方面的性能。

整個網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。該網(wǎng)絡(luò)主要由兩大模塊組成，一個是殘差模塊，另一個是上采樣模塊。與傳統(tǒng)的殘差模塊不同的是，該殘差模塊只有3層：卷積層、激活函數(shù)、卷積層。由于原始的殘差模塊的批規(guī)范化層消耗了與它前面的卷積層相同大小的內(nèi)存，在去掉這一步操作后，相同的計算資源下，增強殘差超分辨網(wǎng)絡(luò)就可以堆疊更多的網(wǎng)絡(luò)層或者使每層提取更多的特征，從而得到更好的性能表現(xiàn)。增強殘差超分辨網(wǎng)絡(luò)用L1范數(shù)樣式的損失函數(shù)來優(yōu)化網(wǎng)絡(luò)模型。該損失函數(shù)如下：

(1)

其中，h、w和c分別代表芯片顯微圖像的長，寬及通道數(shù)，i，j和k分別代表對應(yīng)芯片顯微圖像第i行，第j列，第k個通道上的像素值。在訓(xùn)練時先訓(xùn)練低倍數(shù)的上采樣模型，接著用訓(xùn)練低倍數(shù)上采樣模型得到的參數(shù)來初始化高倍數(shù)的上采樣模型，這樣能減少高倍數(shù)上采樣模型的訓(xùn)練時間，同時訓(xùn)練結(jié)果也更好。

2.2 基于循環(huán)一致對抗生成網(wǎng)絡(luò)的圖像生成算法

近年來，研究者們提出了不同的異質(zhì)圖像轉(zhuǎn)換算法，基于深度神經(jīng)網(wǎng)絡(luò)的方式層出不窮。生成對抗網(wǎng)絡(luò)[23]由 IanGoodfellow 于2014年首次提出。該網(wǎng)絡(luò)的提出解決了非監(jiān)督學(xué)習(xí)的著名問題：給定一批樣本，通過訓(xùn)練一個系統(tǒng)，能夠生成類似的新樣本。生成對抗網(wǎng)絡(luò)最大的優(yōu)勢在于，它并不需要一個假設(shè)的數(shù)據(jù)分布，而是直接從輸入的數(shù)據(jù)分布中學(xué)習(xí)其特征，然后不斷地逼近原始的數(shù)據(jù)分布。但是通過隨意的噪聲去還原高維樣本數(shù)據(jù)是十分困難的，即該方法對于特征維數(shù)低的圖像而言效果比較好，對于特征維數(shù)較高的圖像，生成對抗網(wǎng)絡(luò)便不適合大規(guī)模訓(xùn)練，生成圖像的質(zhì)量因此就不會太好。針對該問題，在原始的生成對抗網(wǎng)絡(luò)上增加一些約束條件，即通過額外的信息來引導(dǎo)數(shù)據(jù)的生成，于是便有了條件生成對抗模型[24]。該生成模型由Mehdi Mirza和Simon Osindero首次提出。在該模型的基礎(chǔ)之上，Phillip Isola提出了基于條件生成對抗網(wǎng)絡(luò)的圖像風(fēng)格遷移算法。然而由于該算法的輸入圖像必須是相互匹配的兩類圖像，而現(xiàn)實條件下很難找到如此嚴格配對的圖像輸入，為了解決這一問題， 文獻[25-27]提出了循環(huán)一致性生成對抗網(wǎng)絡(luò)。

圖4 循環(huán)一致對抗生成網(wǎng)絡(luò)

筆者采用循環(huán)一致對抗生成網(wǎng)絡(luò)，主要原因是：

(1)由于芯片顯微圖像和母版微觀照片數(shù)據(jù)集的采集過程中難以做到嚴格的相互匹配，而本文的主要目標是實現(xiàn)兩類圖像在目標區(qū)域的特征映射，因此，采用循環(huán)一致對抗生成網(wǎng)絡(luò)不僅能避免數(shù)據(jù)集制作過程中匹配不一致的問題，而且只從目標區(qū)域的特征出發(fā)，忽略了其他因素對結(jié)果的影響。

(2)該網(wǎng)絡(luò)具有更豐富的映射表達能力，在實際訓(xùn)練中更容易通過adam優(yōu)化算法防止網(wǎng)絡(luò)過擬合的問題。

整個網(wǎng)絡(luò)架構(gòu)如圖4所示，該網(wǎng)絡(luò)共有4個模塊：兩個生成器(如圖4中所示),兩個判別器(如圖4中所示)。生成器分為兩類，一類用于芯片顯微圖像轉(zhuǎn)換為母版圖像，另一類的功能正好相反，用于實現(xiàn)母版圖像轉(zhuǎn)換為芯片顯微圖像。判別器也分為兩類，一類用于判別芯片顯微圖像的真假，另一類用于判別母版微觀圖像的真假。針對芯片顯微圖像集和母版圖像集的構(gòu)造特征，構(gòu)建生成器和判別器結(jié)構(gòu)。生成器的構(gòu)建如圖4所示，由以下3個部分組成：編碼器、轉(zhuǎn)換器和解碼器。

編碼器利用卷積網(wǎng)絡(luò)從輸入圖像中提取特征。卷積網(wǎng)絡(luò)將一張圖像作為輸入，不同大小的卷積核能在輸入圖像上移動并提取特征，其中步幅大小決定在圖像中卷積核窗口的數(shù)量。

轉(zhuǎn)換器通過組合圖像的不相近特征，實現(xiàn)兩類數(shù)據(jù)集(芯片顯微圖像和母版圖像)特征向量的相互轉(zhuǎn)換。轉(zhuǎn)換器使用了6層Resnet模塊，每個Resnet模塊是一個由兩個卷積層構(gòu)成的神經(jīng)網(wǎng)絡(luò)層，能夠達到在轉(zhuǎn)換的同時保留原始圖像特征的目標。

解碼器該過程與編碼方式完全相反，從特征向量中還原出低級特征，這是利用了反卷積層來完成的。利用反卷積層完成從特征向量中原出低級特征的工作，最后得到生成圖像。

以上為構(gòu)建生成器的過程，為了完成網(wǎng)絡(luò)的對抗訓(xùn)練部分，還需要構(gòu)建鑒別器。鑒別器本身屬于卷積網(wǎng)絡(luò)，將一張圖像作為輸入，并嘗試預(yù)測其為原始圖像或是生成器的輸出圖像。構(gòu)建結(jié)果如圖4所示。

整個網(wǎng)絡(luò)框架的損失函數(shù)(下文簡稱為loss)可以表示為

L(G,F,Dx,Dy)=LGAN(G,Dy,X,Y)+LGAN(F,Dx,Y,X)+λLcyc(G,F) 。

(2)

在LGAN(G,Dy,X,Y) 一類損失中，將母版微觀圖像數(shù)據(jù)集Y視為真樣本集，而把芯片顯微圖像數(shù)據(jù)X作為生成樣本集的輸入，由此產(chǎn)生一類母版微觀照片模式下的芯片顯微圖像。然后通過Dy來判斷來自真數(shù)據(jù)集的Y和由數(shù)據(jù)集X生成的假的數(shù)據(jù)集Y，從而達到訓(xùn)練生成器的目的。該過程并不需要兩類數(shù)據(jù)集X和完全匹配。同理，把芯片顯微數(shù)據(jù)集X和母版微觀照片Y換個位置，即生成第二類損失值LGAN(F,Dx,Y,X) 產(chǎn)生過程。第三類損失函數(shù)存在兩種重建誤差。首先是芯片顯微數(shù)據(jù)集X的重建損失，數(shù)據(jù)集X經(jīng)過生成器G可以變成類母版數(shù)據(jù)集Y的圖像，類Y數(shù)據(jù)集圖像經(jīng)過生成器F還原為假數(shù)據(jù)集X，該框架的目的就是讓真數(shù)據(jù)集X與重建數(shù)據(jù)集X足夠相似，公式中所表示的即這種重建誤差。對于芯片顯微圖像X是這樣，同理，對于母版圖像數(shù)據(jù)集Y也是如此。由損失函數(shù)LGAN(G,Dy,X,Y)、LGAN(F,Dx,Y,X)和Lcyc(G,F) 構(gòu)成了整個生成網(wǎng)絡(luò)框架的目標函數(shù)。

2.3 變化檢測算法

為了能夠?qū)⑸傻目梢尚酒@微圖像與母本版圖進行變化檢測，首先對兩類圖像進行圖像增強，隨后通過Otsu算法分別對兩類圖像進行分割，將目標區(qū)域與背景區(qū)分開來。為了降低誤判率，將得到的分割圖進行形態(tài)學(xué)操作。最后將處理后的可疑芯片顯微圖像與母本版圖作異或運算，得到最終結(jié)果，從而判斷是否存在硬件木馬以及獲取硬件木馬的區(qū)域。

可疑芯片在解剖過程中，由于切割，腐蝕以及工業(yè)光照環(huán)境的影響，芯片顯微圖像存在噪聲多、重疊度高、邊緣不平整等特點，從而影響了圖像對比檢測效果。為了改善圖像質(zhì)量，凸出圖像邊緣細節(jié)，于是將基于二階微分的拉普拉斯算子應(yīng)用到圖像增強中。二階偏微分定義如下，設(shè)芯片顯微圖像函數(shù)為f(x,y) ，則圖像在x方向上對二階偏微分采用如下定義：

(3)

類似地，在y方向上為

(4)

由拉普拉斯變換定義：

(5)

可知

2f=[f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)]-4f(x,y) 。

(6)

通過計算芯片顯微圖像中的每一個像素的二階微分，對大于閾值的像素點將其灰度值置為器件區(qū)間某一灰度值，從而解決器件因照度不足，顯示亮度過低而無法分割的問題。芯片顯微圖像經(jīng)圖像增強后，由Otus算法將圖像分割成前景和背景兩部分。算法原理如下：

假設(shè)已選擇一個閾值k,C1是灰度級為[0,1,2,…,k]的一組像素，C2是灰度級為[k+1,...,L-1] 的一組像素。最大類間方差為

(7)

其中，P1(k)是集合C1發(fā)生的概率：

(8)

類似地，集合C2發(fā)生的概率是

(9)

m1(k)和m2(k)分別是C1和C2中像素的平均灰度值。mG是全局均值(整個圖像的平均灰度)可表示為

(10)

此外，直到灰度級k的平均灰度由下式給出：

(11)

(12)

據(jù)前面的原理分析，筆者得到如下的具體算法：首先通過超分辨算法將低分辨率芯片顯微圖像生成高分辨芯片顯微圖像；然后通過生成對抗網(wǎng)絡(luò)生成母版圖像生成圖，接著圖像分割得到二值化圖像，然后將處理后的芯片顯微圖像和母本版圖做異或運算，最后對異或運算的結(jié)果進行形態(tài)學(xué)操作，去除比結(jié)構(gòu)元素小的細節(jié)部分。通過聯(lián)通區(qū)域統(tǒng)計算法計算每一塊聯(lián)通區(qū)域的信息，對比是否存在硬件木馬及木馬準確定位。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)集的采集與標定

為了驗證硬件木馬檢測系統(tǒng)的性能，在實際工程中筆者首先解剖了某款芯片樣本，采集了芯片顯微圖像和母版圖像完整微觀照片。然后通過滑窗截取圖片的方式獲得了類似圖1和圖2所示的圖像，并通過解析IP核GDSII文件得到GDSII圖像，即芯片母本版圖。最后在芯片顯微圖像中采用人工標記特定木馬區(qū)域，作為實驗測試的標簽數(shù)據(jù)。

3.2 算法實現(xiàn)及有效性分析

在生成網(wǎng)絡(luò)的設(shè)置如下：在編碼器中，筆者將輸入圖像大小固定設(shè)置為[256,256,3]。第一步是利用卷積網(wǎng)絡(luò)從輸入圖像中提取特征。卷積網(wǎng)絡(luò)將一張圖像作為輸入，不同大小的卷積核能在輸入圖像上移動并提取特征，步幅大小能決定在圖像中卷積核窗口的數(shù)量。在該網(wǎng)絡(luò)結(jié)構(gòu)中，筆者設(shè)置編碼器的第一層卷積核個數(shù)為64，卷積核的大小為7×7×3, 步幅大小為1×1×3，則第一層輸出為[256,256,64]的張量。由此將其傳遞給第二層，其卷積核的大小為3×3×3，步幅為2×2×3，則第二層的輸出為[128,128,128]的張量。然后再將該層傳遞給第三層，其卷積核的大小為1×1×1 ,步幅為4×4×3。卷積層越往上，需要增加高層特征的數(shù)量。筆者將圖像壓縮成256個尺寸大小為64×64的特征向量，接著將X域中圖像的特征向量轉(zhuǎn)換為Y域中圖像的特征向量。解碼器與編碼方式完全相反，從特征向量中還原出低級特征，這是利用了反卷積層來完成的。轉(zhuǎn)換層采用6層Resnet模塊，輸入為編碼后的向量大小為[64,64,256]，輸出向量為[64,64,256].轉(zhuǎn)換層的主要目的是為了確保先前網(wǎng)絡(luò)層的輸入數(shù)據(jù)信息直接作用于后面的網(wǎng)絡(luò)層，使得相應(yīng)輸出與原始輸入的偏差縮小，否則原始圖像的特征將不會保留在輸出中且輸出結(jié)果會偏離目標輪廓。Resnet模塊的結(jié)構(gòu)如下所述。

在基于增強殘差網(wǎng)絡(luò)的圖像超分辨算法中的設(shè)置如下：輸入任意大小的RGB圖像，卷積核設(shè)置大小為3×3，步幅為1，殘差塊中使用Relu函數(shù)作為優(yōu)化器，殘差塊個數(shù)為32，損失函數(shù)采用L1范數(shù)，在不使用批規(guī)范層的情況下經(jīng)兩層上采樣操作得到超分結(jié)果。

文中算法實現(xiàn)環(huán)境為：windows10, ubuntu14.0，NVIDIA GEFORCE 820M,lua,torch, matlab等。筆者將采集的圖像隨機截取大小不一致的塊(以下簡稱為block1,block2,block3,…),部分檢測結(jié)果如表1所示。其中，ta代表芯片中增加的電路模塊，td代表芯片中減少的電路模塊。通過人工標注的結(jié)果中，芯片中增加的電路模塊數(shù)用TA來表示，芯片中減少的電路模塊用TD來表示。non代表不使用超分辨和生成算法的檢測方法，sr代表只使用超分辨算法的硬件木馬檢測方法，ge代表只使用生成算法的硬件木馬檢測方法，sr+ge代表使用兩類算法的組合來檢測硬件木馬的結(jié)果如表1所示。

由表1的結(jié)果可知，在不使用深度學(xué)習(xí)算法的情況下，直接通過芯片顯微圖像與母本版圖之間異或運算檢測的結(jié)果正確率均低于0.8(增加模塊正檢率為0.793，減少模塊正檢率為0.731)。通過筆者設(shè)計的系統(tǒng)，即用生成和超分辨算法組合的測試結(jié)果普遍高于不使用或單獨使用生成和超分辨算法組合的結(jié)果，且正檢率平均檢測結(jié)果均高于0.9(增加模塊正檢率為0.905，減少模塊正檢率為0.924)。由以上實驗，驗證了模型的有效性，即筆者的算法能很好地適用于芯片安全檢測并能夠獲得更高的正檢率。

表1 硬件木馬檢測結(jié)果

部分檢測結(jié)果如圖5所示，其中，圖(a)、圖(d)、圖(e)為低分辨率可疑芯片轉(zhuǎn)換得到的高分辨率芯片顯微圖像；圖(b)、圖(c)、圖(h)為芯片母本版圖生成的芯片顯微圖像；圖(c)、圖(f)、圖(i)為變化檢測算法檢測結(jié)果圖。其中，黑色實檢測框表示芯片中減少的電路模塊，虛線空檢測框表示芯片中增加的電路模塊，圓點空檢測框為人工難以判斷檢測區(qū)域。圖(a)、圖(b)、圖(c)代表芯片中某一區(qū)域同一配準位置，該位置芯片線路較密集，人工檢測不易區(qū)分電路線條邊緣，通過筆者設(shè)計的算法能夠較好地區(qū)分線條之間的邊緣位置；圖(d)、圖(e)、圖(f)代表芯片中另一區(qū)域同一配準位置，該位置電路器件密集，人工易區(qū)分，也是檢測準確率較高的區(qū)域；圖(g)、圖(h)、圖(i)為線路器件混合區(qū)域，人工統(tǒng)計容易出現(xiàn)偏差，通過筆者設(shè)計的算法能很好地將線路和電路器件檢測并區(qū)分出硬件木馬的位置。

圖5 部分芯片顯微圖像硬件木馬檢測結(jié)果圖

4 結(jié)束語

與傳統(tǒng)依賴電信號的硬件木馬檢測技術(shù)不同，筆者提出了基于深度學(xué)習(xí)的硬件木馬檢測算法。通過芯片解剖獲取原始數(shù)據(jù)，然后利用增強殘差網(wǎng)絡(luò)將獲取的低分辨率圖像轉(zhuǎn)換為高分辨率圖像，再將此高分辨率芯片顯微圖像通過循環(huán)一致對抗生成網(wǎng)絡(luò)轉(zhuǎn)換為與母本版圖同源的圖像，最后通過變化檢測算法檢測芯片中隱藏的硬件木馬。實驗結(jié)果表明，該算法有助于提高檢測準確率，算法更加高效。同時，筆者所提供的硬件木馬檢測方法也存在局限性，例如，對于未知芯片其GDSII文件難以獲取，即無法通過，文中的顯微圖像生成算法將芯片GDSII文件轉(zhuǎn)換為對應(yīng)的芯片顯微圖像，也就無法獲取參考圖像進行變化檢測，從而無法檢測到硬件木馬。另外，對于芯片顯微圖像進行人工標注時，部分區(qū)域難以通過肉眼標識判定，此部分區(qū)域無法做出準確的區(qū)域分類。