CN106814257A - 芯片类型识别***、方法及装置 - Google Patents
芯片类型识别***、方法及装置 Download PDFInfo
- Publication number
- CN106814257A CN106814257A CN201611119566.1A CN201611119566A CN106814257A CN 106814257 A CN106814257 A CN 106814257A CN 201611119566 A CN201611119566 A CN 201611119566A CN 106814257 A CN106814257 A CN 106814257A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic signal
- chip
- svms
- recordings
- record
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R13/00—Arrangements for displaying electric variables or waveforms
- G01R13/02—Arrangements for displaying electric variables or waveforms for displaying measured electric variables in digital form
- G01R13/0209—Arrangements for displaying electric variables or waveforms for displaying measured electric variables in digital form in numerical form
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/44—Program or device authentication
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明提供一种芯片类型识别***、方法及装置,属于信息安全技术领域。该芯片类型识别方法包括:对芯片工作时泄露的电磁信号进行检测;当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录;基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。本发明通过对芯片泄露的电磁信号进行检测,基于预先训练的支持向量机,根据目标电磁信号记录确定芯片类型。由于是基于机器学习的方法,将采集到的电磁信号通过预先训练的支持向量机来自动识别芯片类型,识别过程可用于任何场合,从而识别过程通用性及识别率较高。
Description
技术领域
本发明涉及信息安全技术领域,更具体地,涉及一种芯片类型识别***、方法及装置。
背景技术
随着科技水平的日益提高,各种信息安全手段,如密码算法和安全芯片,越来越广泛地被用于日常生活、经济活动及军事应用中。同时,针对密码算法和硬件设备的攻击和防护研究也在不断深入。芯片在运行过程中会泄露除输入输出以外的信息,如功耗、电磁辐射、故障错误及时序信息等。由于利用高灵敏度的仪器截获设备中泄漏的电磁信号,根据泄露的电磁信号获取情报比用其它方法获得情报要更加准确、可靠、及时、连续且拥有更好的隐蔽性而不易被对方察觉,从而利用电磁泄漏窃取机密信息是国内外情报机关截获信息的重要途径。另外,电磁截获的内容十分广泛,如军事、政治及经济情报等。
其中,电磁分析对象主要是各种嵌入式芯片。例如,FPGA(Field-ProgrammableGate Array,现场可编程门阵列)、微控制器、智能卡及ASIC(Application SpecificIntegrated Circuits,专用集成电路)。由于芯片工作过程中产生的电磁信息泄露依赖于芯片中处理的数据(即中间值),而这些中间值同芯片本身具有直接或间接的相关关系,从而基于该理论可在获知嵌入式芯片的类型后,实现精准攻击。另外,我国在芯片设计制造领域与国外存在较大的差距,并且在电磁攻击分析方面的研究相对国外起步较晚,理论深度和实验环境没有国外成熟。对芯片的电磁攻击方面研究较少,总体上说仍处在研究的探索阶段。另外,现在的芯片技术也使得大多数芯片底层工艺仅仅只是细微差别,从而就增加了芯片识别的难度。因此,如何有效地识别出芯片的类型,在防电磁泄漏以及电磁攻击领域,受到越来越多人们的关注与研究。
现有的芯片类型识别方法主要是根据芯片标识来对芯片类型进行识别。
在实现本发明的过程中,发现现有技术至少存在以下问题:由于是通过芯片标识来对芯片类型进行识别,而芯片有时候会没有标识或者无法获得芯片的标识,导致不能对芯片类型进行识别。因此,芯片识别过程的通用性差且识别率不高。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的室内定位方法及装置。
根据本发明的第一方面,提供了一种芯片类型识别***,该***包括:装载板、终端、电磁探头及数字存储示波器;
装载板与终端相连接,终端与数字存储示波器相连接,数字存储示波器与电磁探头相连接;
其中,装载板装载有待识别的芯片;电磁探头用于采集装载板泄露的电磁信号,数字存储示波器用于记录电磁探头采集的电磁信号;终端用于根据对电磁信号进行分析后的结果,识别芯片类型。
根据本发明的第二方面,提供了一种芯片类型识别方法,该方法包括:
对芯片工作时泄露的电磁信号进行检测;
当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录;
基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。
根据本发明的第三方面,提供了一种芯片类型识别装置,该装置包括:
检测模块,用于对芯片工作时泄露的电磁信号进行检测;
记录模块,用于当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录;
确定模块,用于基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。
本申请提出的技术方案带来的有益效果是:
通过对芯片工作时泄露的电磁信号进行检测。当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录。基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。由于是基于机器学习的方法,将采集到的电磁信号通过预先训练的支持向量机来自动识别芯片类型,识别过程可用于任何场合,从而识别过程通用性及识别率较高。另外,支持向量机所需电磁泄漏曲线的数目较少,即所需采集样本数量较少。随着支持向量机不断地学习,***的识别精度及鲁棒性还会逐渐提高。
最后,由于时通过采集泄露的电磁信号来实现芯片类型识别,整个过程是非接触性的且不会影响芯片的正常工作,从而整个识别过程隐蔽性很好,所获得的情报也更加准确及时且连续可靠。
附图说明
图1为本发明实施例的一种底板的结构设计图;
图2为本发明实施例的一种核心板的结构设计图;
图3为本发明实施例的一种转接板的结构设计图;
图4为本发明实施例的一种芯片类型识别***的结构示意图;
图5为本发明实施例的一种芯片类型识别方法的流程示意图;
图6为本发明实施例的一种芯片类型识别方法的流程示意图;
图7为本发明实施例的一种数据降维前的效果示意图;
图8为本发明实施例的一种数据降维后的效果示意图;
图9为本发明实施例的一种数据降维后的效果示意图;
图10为本发明实施例的一种芯片类型识别装置的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
现有的芯片类型识别过程主要通过芯片标识对芯片进行识别,当芯片没有标识或者无法获取芯片标识时,则不能对芯片类型进行识别。因此,上述芯片识别过程的通用性差且识别率不高。
针对现有技术中的问题,本实施例提供了一种芯片类型识别***。该***包括:装载板、终端、电磁探头及数字存储示波器;装载板与终端相连接,终端与数字存储示波器相连接,数字存储示波器与电磁探头相连接。具体地,装载板可通过Altera的FPGA/CPLD(Complex Programmable Logic Device,复杂可编程逻辑器件)程序下载电缆USB Blaster与终端相连接。终端可通过USB接口与数字存储示波器相连接,本实施例不对上述连接方式作具体限定。
其中,装载板装载有待识别的芯片;电磁探头用于采集装载板泄露的电磁信号,数字存储示波器用于记录电磁探头采集的电磁信号;终端用于根据对电磁信号进行分析后的结果,识别芯片类型。另外,终端还可以用于控制全部采集设备的配置,存储采集到的电磁信号,本实施例对此不作具体限定。
需要说明的是,上述装载板主要功能是为了装载待识别的芯片,实际实施过程中装载板的具体形式可以为FPGA开发板或者待识别芯片实际所处的主板,本实施例对此不作具体限定。另外,为了便于能够查看采集到的电磁信号,上述数字存储示波器可以将采集到的电磁信号以电压值的形式进行显示,本实施例对此不作具体限定。其中,每个采样点所采样的电磁信号对应一个电压值。上述终端可以为计算机或者具有处理功能的处理设备,本实施例对此不作具体限定。
本发明实施例提供的***,通过电磁探头对芯片工作时泄露的电 磁信号进行检测。接着通过终端对采集到的电磁信号进行分析。具体地,当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录。基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。由于是基于机器学习的方法,将采集到的电磁信号通过预先训练的支持向量机来自动识别芯片类型,识别过程可用于任何场合,从而识别过程通用性及识别率较高。另外,支持向量机所需电磁泄漏曲线的数目较少,即所需采集样本数量较少。随着支持向量机不断地学习,***的识别精度及鲁棒性还会逐渐提高。
最后,由于时通过采集泄露的电磁信号来实现芯片类型识别,整个过程是非接触性的且不会影响芯片的正常工作,从而整个识别过程隐蔽性很好,所获得的情报也更加准确及时且连续可靠。
由于采集到的电磁信号通常只有几毫伏,为了便于后续对电磁信号进行处理,可对采集到的电磁信号进行放大。相应地,作为一种可选实施例,上述***还包括前置放大器;
前置放大器分别与电磁探头及数字存储示波器相连接;前置放大器用于对电磁探头采集到的电磁信号进行放大。
由于在测试过程中装载板需要电源供电,从而上述***中还可以包括电源,本实施例对此不作具体限定。装载板可通过供电回路与电源相连接,从而电源可为装载板供电。另外,由于电源也会产生电磁信号,为了减少电源的电磁信号对采集芯片的电磁信号时所产生的干扰,作为一种可选实施例,上述电源可以为稳压电源。其中,电源可通过增加LDO(Low Dropout Regulator,低压差线性稳压器)来形成稳压电源,本实施例对此不作具体限定。相比于通过常规插头插接的供电方式,通过稳压电源供电能够减少地线信号的干扰,从而能够进一步地保证采集到电磁信号的准确性。另外,还能减少功耗。
作为一种可选实施例,上述装载板包括核心板及底板;核心板用 于装载待识别的芯片,底板用于装载核心板。通过核心板与底板结合以及在核心板上装载芯片的方式,能够方便地从底板上拆卸核心板,从而能够便于在同一底板上识别不同的芯片。其中,底板其中一层的PCB(Printed Circuit Board,印制电路板)设计可如图1所示,核心板其中一层的PCB设计可如图2所示。另外,为了便于和底板实现无缝连接,核心板的I/O接口可使用2.54mm间距排针引出,本实施例对此不作具体限定。
考虑到在识别芯片时,还可能需要对芯片内部一些数据进行存储,如芯片的加密密钥,从而作为一种可选实施例,装载板还包括Flash芯片与转接板;上述底板用于装载转接板,转接板用于装载不同容量的Flash芯片。需要说明的是,Flash芯片可以使用sop8封装以实现可插拔,通过转接板能够便于切换不同容量的芯片。其中,转接板其中一层的PCB设计可如图3所示。
为了进一步地减少电源电磁信号对采集电磁信号时的干扰,作为一种可选实施例,装载板中每个电源引脚与预设大小的去耦电容连接。其中,去耦电容的大小可以为0.1uf,本实施例对此不作具体限定。
优选地,芯片类型识别***的结构可如图4所示。
上述所有可选技术方案,可以采用任意结合形成本发明的可选实施例,在此不再一一赘述。
基于上述图4对应实施例所提供的芯片类型识别***,本发明实施例提供了一种芯片类型识别方法。参见图5,本实施例提供的方法流程包括:501、对芯片工作时泄露的电磁信号进行检测;502、当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录;503、基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。
本发明实施例提供的方法,通过对芯片工作时泄露的电磁信号进 行检测。当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录。基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。由于是基于机器学习的方法,将采集到的电磁信号通过预先训练的支持向量机来自动识别芯片类型,识别过程可用于任何场合,从而识别过程通用性及识别率较高。另外,支持向量机所需电磁泄漏曲线的数目较少,即所需采集样本数量较少。随着支持向量机不断地学习,***的识别精度及鲁棒性还会逐渐提高。
最后,由于时通过采集泄露的电磁信号来实现芯片类型识别,整个过程是非接触性的且不会影响芯片的正常工作,从而整个识别过程隐蔽性很好,所获得的情报也更加准确及时且连续可靠。
作为一种可选实施例,基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型之前,还包括:
根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机。
作为一种可选实施例,根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机之前,还包括:
采集每种类型芯片在工作时泄露的电磁信号记录;
对每种类型芯片所采集到的电磁信号记录进行预处理;
根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机,包括:
根据各种类型芯片对应预处理后的参数,对支持向量机进行训练,得到训练后的支持向量机。
作为一种可选实施例,对每种类型芯片所采集到的电磁信号记录进行预处理,包括:
对于任一类型芯片所采集到的电磁信号记录,当电磁信号记录的 数量为多个时,以任一电磁信号记录为基准,对剩下的每一电磁信号记录进行移位;
根据剩下的每一电磁信号记录移位后与任一电磁信号记录之间的相关度,将剩下的每一电磁信号记录与任一电磁信号记录进行对齐;
基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数。
作为一种可选实施例,基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数之前,还包括:
将对齐后的每一电磁信号记录进行频域分析,得到对齐后的每一电磁信号记录所对应的频谱值记录;
基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数,包括:
基于数据成份分析算法,根据每一频谱值记录提取对应的特征参数。
作为一种可选实施例,数据成份分析算法为主元成份分析或独立成份分析。
作为一种可选实施例,将对齐后的每一电磁信号记录进行频域分析,得到对齐后的每一电磁信号记录所对应的频谱值记录之前,还包括:
将对齐后的每一电磁信号记录进行时域分析。
作为一种可选实施例,基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型之前,还包括:
对目标电磁信号记录进行预处理;
基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型,包括:
将目标电磁信号记录进行预处理后所得到的参数输入至预先训练的支持向量机,得到相应的芯片类型。
上述所有可选技术方案,可以采用任意结合形成本发明的可选实 施例,在此不再一一赘述。
由于芯片在工作时,做不同类型运算所泄露的电磁信号是不同的,而不同类型的芯片在做相同类型的运算时所泄露的电磁信号也是不同的,即做某种运算所泄露的电磁信号可对应到某一芯片类型,从而可以利用芯片工作时泄露的电磁信号对芯片类型进行识别。按照上述理论,基于上述图4对应实施例所提供的芯片类型识别***及图5对应实施例提供的芯片类型识别方法,本发明实施例提供了一种芯片类型识别方法。参见图6,601、对芯片工作时泄露的电磁信号进行检测;602、当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录;603、根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机;604、基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。
其中,601、对芯片工作时泄露的电磁信号进行检测。
在对电磁信号进行检测时,可通过上述图4对应的***中电磁探头对芯片泄露的电磁信号进行检测。另外,为了便于后续对电磁信号进行处理,还可以通过图4对应的***中前置放大器对电磁信号进行放大,本实施例对此不作具体限定。需要说明的是,本步骤中的芯片可以为任意监测环境下的待识别芯片,本实施例对此不作具体限定。
其中,602、当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录。
由于芯片在工作时所产生的电磁信号一般比不工作时所产生的电磁信号要强,从而可以通过检测采集到的电磁信号是否大于第一预设阈值来判断芯片是否开始工作,通过检测采集到的电磁信号是否小于第二预设阈值来判断芯片是否停止工作,本实施例对此不作具体限定。
通过对这段时间内的电磁信号进行记录,能够得到一条目标电磁信号记录。需要说明的是,本步骤采集到的目标电磁信号记录条数可以为一条,也可以为多条,本实施例对此不作具体限定。另外,采集到的电磁信号记录反映到图4对应***中数字存储示波器时,为一串采样点的电压值。后续步骤中在对电磁信号进行处理时,主要是对电磁信号对应的电压值进行处理,本实施例对此不作具体限定。
其中,603、根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机。
由于后续需要根据预先训练的支持向量机来对芯片类型进行识别,从而在本步骤中可通过训练得到支持向量机。需要说明的是,本步骤只是为了描述支持向量机的训练过程。在实际对芯片类型进行识别时,本步骤的内容应为事先已经准备好的工作,而不用在每次识别芯片类型时重复本步骤的内容。
在执行本步骤之前,可先采集每种类型芯片在工作时泄露的电磁信号记录,本实施例对此不作具体限定。具体在采集电磁信号记录时,可通过图4对应的芯片类型识别***进行采集,本实施例对此不作具体限定。具体地,在***中装载板上装载不同类型的芯片,通过电磁探头、前置放大器以及数字存储示波器可以采集得到每种类型芯片在工作时泄露的电磁信号记录。需要说明的是,由上述步骤602可知,在对电磁信号进行采集时,可通过在检测电磁信号大于第一预设阈值后对电磁信号进行记录,直到电磁信号小于第二预设阈值为止,从而截取出一段电磁信号记录。相应地,本步骤在采集每种类型芯片在工作时泄露的电磁信号记录时,也可以通过该方式进行采集。
优选地,为了在训练支持向量机环境下所采集到的电磁信号记录更为精确,可通过在装载板上设置特定电路,让芯片在开始工作时由装载板的I/O接口输出一个高电平,本实施例对此不作具体限定。由于高电平对应着高电压值,从而数字存储示波器这边就可以根据检测到的高电压值,很容易地判断出芯片开始工作。相应地,当芯片结束工 作时同样可由装载板的I/O接口输出一个高电平,本实施例对此不作具体限定。上述过程结束后,两个高电压值之间的内容即为截取出电磁信号记录。需要说明的是,当在训练支持向量机时,若采样电磁信号时采用的是上述高电平对应的方式,则上述步骤602在对待识别芯片的电磁信号进行采样时,也可按照同样的方式截取电磁信号记录,本实施例对此不作具体限定。
为了扩大采集到的样本,对于每种类型的芯片,可采集多条该芯片在工作时的电磁信号记录,本实施例对此不作具体限定。另外,由于电磁信号记录实际为许多采样点所采样到的电压值,从而可以通过设置较大的采样率,让电磁信号记录中包含较多的采样点,本实施例对此不作具体限定。例如,若一种类型的芯片对应的采集了200次,采集到的每条电磁信号记录中有1999个采样点,从而该类型芯片对应采集到的数据维度为200*1999。
由上述过程可知,采集到的数据维度通常很大。另外,电磁信号数据之间相关性大,信息较冗余,这导致计算与分析数据都比较困难。为了减少后续处理的难度及工作量,可在采集到每种类型芯片在工作时泄露的电磁信号记录后,对每种类型芯片所采集到的电磁信号记录进行预处理,本实施例对此不作具体限定。
相应地,在对电磁信号进行预处理后,在执行本步骤时,可根据各种类型芯片对应预处理后的参数对支持向量机进行训练,得到训练后的支持向量机,本实施例对此不作具体限定。
现对电磁信号记录预处理的过程进行说明,关于对每种类型芯片所采集到的电磁信号记录进行预处理的方式,本实施例对此不作具体限定,包括但不限于:对于任一类型芯片所采集到的电磁信号记录,当电磁信号记录的数量为多个时,以任一电磁信号记录为基准,对剩下的每一电磁信号记录进行移位;根据剩下的每一电磁信号记录移位后与任一电磁信号记录之间的相关度,将剩下的每一电磁信号记录与任一电磁信号记录进行对齐;基于数据成份分析算法,根据对齐后的 每一电磁信号记录提取对应的特征参数。
对于任一类型芯片,当采集到了多条电磁信号记录时,由于每条电磁信号记录相对于其它电磁信号记录可能会有延时或者提前,这会影响后续处理结果的准确性。为了去除掉时间维度上的干扰,从而可按照上述过程对电磁信号记录进行对齐。例如,任一类型芯片所采集到的电磁信号记录有200条,可以第1条为基准,将剩下的199条与第1条进行对齐。即在时间维度上,以相关度为参考依据,将剩下的每一条电磁信号记录向前移或者向后移,直到相关度满足一定条件,从而实现与第1条电磁信号记录对齐。
本实施例不对根据剩下的每一电磁信号记录移位后与任一电磁信号记录之间的相关度,将剩下的每一电磁信号记录与任一电磁信号记录进行对齐的方式作具体限定,包括但不限于:计算剩下的每一电磁信号记录每次进行移位后与任一电磁信号记录之间的相关度;从计算得到的所有相关度中选择最大相关度,将最大相关度对应的移位结果作为剩下的每一电磁信号记录与任一电磁信号记录对齐后的结果。
例如,以第1条电磁信号记录为基准,待移位的电磁信号记录为第3条为例。在时间维度上,若第3条向前移0.1对应的相关度为0.5,向前移0.2对应的相关度为0.4,向后移0.1对应的相关度为0.8。由上述结果可知,最大相关度为0.8,从而在时间维度上,可将第3条电磁信号记录向后移0.1,作为第3条电磁信号记录与第1条电磁信号记录对齐后的结果。
需要说明的是,剩下的每一电磁信号记录的移位尝试次数可以为一次以上,本实施例不对移位尝试次数作具体限定。另外,计算相关度的算法可采样任一现有的相关度算法,本实施例也对此不作具体限定。
对于任一类型芯片所采集到的电磁信号记录,当对该类型芯片的所有电磁信号记录进行对齐后,可基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数。
由于电磁信号不仅随时间变化,还与频率、相位等信息有关,为了体现电磁信号在频域上的特征,在基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数之前,还可以将对齐后的每一电磁信号记录进行频域分析,得到对齐后的每一电磁信号记录所对应的频谱值记录,本实施例对此不作具体限定。相应地,可基于数据成份分析算法,根据每一频谱值记录提取对应的特征参数。其中,可通过快速傅里叶变换进行频域分析,本实施例对此不作具体限定。
同理,为了体现电磁信号在时域上的特征,在进行频域分析之前,可先对电磁信号记录进行时域分析,再对时域分析后的电磁信号记录进行频域分析,本实施例对此不作具体限定。需要说明的是,相比与纯时域分析,采样结合时域分析与频域分析的方式能在后续识别时获得更高的识别率及准确率。
通过上述过程,对于任一类型芯片,在得到该类型芯片的所有频谱值记录后,可基于数据成份分析算法,根据每一频谱值记录提取对应的特征参数。其中,数据成份分析算法可以为PCA(Principal Component Analysis,主元成份分析),也可以为ICA(IndependentComponent Correlation Algorithm,独立成份分析),本实施例对此不作具体限定。需要说明的是,本实施例采用数据成份分析算法对数据进行处理,主要是为了降维,即将上述200*1999维度的数据降低至较低的维度。
其中,当使用PCA进行数据成份分析时,可设置主成份贡献率85%到90%。例如,当主成份贡献率设置为87%时,可将200*1999维度的数据降低至200*136,从而可大大减少后续计算与分析的难度。另外,使用PCA进行数据分析时,还可以去除影响因子较少的数据,减少信息冗余度,即去除对后续识别芯片类型时贡献度较少的数据。通过PCA进行数据降维,降维之前可如图7所示,降维后的降维效果可如图8所示。
相比于PCA将原始数据降维并提取出不相关的属性,ICA是将原 始数据降维并提取出相互独立的属性。当使用ICA进行数据成份分析时,可设置独立成份的个数及降维维度参数,从而实现数据降维。通过ICA进行数据降维,降维效果可如图9所示。
通过以上预处理的过程,可得到每种类型芯片对应预处理后的参数。通过对预处理后的参数进行特征训练及分析识别,可以得到训练后的支持向量机。其中,SVM(SupportVector Machine,支持向量机)是通过一个非线性映射p,将样本空间映射到一个高维乃至无穷维的特征空间中(如Hilbert空间),从而使得在原来的样本空间中非线性可分的问题可转化为在特征空间中线性可分的问题。其中,本实施例采用的是由台湾大学Chih-ChungChang和Chih-Jen Lin编写的libsvm工具箱。当然,也可以采用其它类型的SVM工具箱,本实施例对此不作具体限定。
需要说明的是,由于是在高维特征空间中建立线性学习机,从而与线性模型相比,不但几乎不增加计算的复杂性,而且在某种程度上避免了“维数灾难”。
其中,604、基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。
基于上述步骤603中的内容,在执行本步骤之前,可以先对目标电磁信号记录进行预处理,本实施例对此不作具体限定。具体预处理过程可参考上述步骤603中的内容,此处不再赘述。
相应地,可将目标电磁信号记录进行预处理后所得到的参数输入至预先训练的支持向量机,通过支持向量机的判断识别,从而可得到相应的芯片类型。
本发明实施例提供的方法,通过对芯片工作时泄露的电磁信号进行检测。当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录。基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。由于是基 于机器学习的方法,将采集到的电磁信号通过预先训练的支持向量机来自动识别芯片类型,识别过程可用于任何场合,从而识别过程通用性及识别率较高。另外,支持向量机所需电磁泄漏曲线的数目较少,即所需采集样本数量较少。随着支持向量机不断地学习,***的识别精度及鲁棒性还会逐渐提高。
最后,由于时通过采集泄露的电磁信号来实现芯片类型识别,整个过程是非接触性的且不会影响芯片的正常工作,从而整个识别过程隐蔽性很好,所获得的情报也更加准确及时且连续可靠。
本发明实施例提供了一种芯片类型识别装置,该装置用于执行上述图5或图6对应的实施例中所提供的芯片类型识别方法。参见图10,该装置包括:
检测模块1001,用于对芯片工作时泄露的电磁信号进行检测;
记录模块1002,用于当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录;
确定模块1003,用于基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。
作为一种可选实施例,该装置还包括:
训练模块,用于根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机。
作为一种可选实施例,该装置还包括:
采集模块,用于采集每种类型芯片在工作时泄露的电磁信号记录;
第一预处理模块,用于对每种类型芯片所采集到的电磁信号记录进行预处理;
上述训练模块,用于根据各种类型芯片对应预处理后的参数,对支持向量机进行训练,得到训练后的支持向量机。
作为一种可选实施例,第一预处理模块,包括:
移位单元,用于对于任一类型芯片所采集到的电磁信号记录,当电磁信号记录的数量为多个时,以任一电磁信号记录为基准,对剩下的每一电磁信号记录进行移位;
对齐单元,用于根据剩下的每一电磁信号记录移位后与任一电磁信号记录之间的相关度,将剩下的每一电磁信号记录与任一电磁信号记录进行对齐;
提取单元,用于基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数。
作为一种可选实施例,第一预处理模块,还包括:
频域分析单元,用于将对齐后的每一电磁信号记录进行频域分析,得到对齐后的每一电磁信号记录所对应的频谱值记录;
上述提取单元,用于基于数据成份分析算法,根据每一频谱值记录提取对应的特征参数。
作为一种可选实施例,数据成份分析算法为主元成份分析或独立成份分析。
作为一种可选实施例,第一预处理模块,还包括:
时域分析单元,用于将对齐后的每一电磁信号记录进行时域分析。
作为一种可选实施例,该装置还包括:
第二预处理模块,用于对目标电磁信号记录进行预处理;
上述确定模块1003,用于将目标电磁信号记录进行预处理后所得到的参数输入至预先训练的支持向量机,得到相应的芯片类型。
本发明实施例提供的装置,通过对芯片工作时泄露的电磁信号进行检测。当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录。基于预先训练的支持向量机,根据目标电磁信号记录确定芯片的芯片类型。由于是基于机器学习的方法,将采集到的电磁信号通过预先训练的支持向量机来自动识别芯片类型,识别过程可用于任何场合,从而识别过程通用 性及识别率较高。另外,支持向量机所需电磁泄漏曲线的数目较少,即所需采集样本数量较少。随着支持向量机不断地学习,***的识别精度及鲁棒性还会逐渐提高。
最后,由于时通过采集泄露的电磁信号来实现芯片类型识别,整个过程是非接触性的且不会影响芯片的正常工作,从而整个识别过程隐蔽性很好,所获得的情报也更加准确及时且连续可靠。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种芯片类型识别***,其特征在于,所述***包括:装载板、终端、电磁探头及数字存储示波器;
所述装载板与所述终端相连接,所述终端与所述数字存储示波器相连接,所述数字存储示波器与所述电磁探头相连接;
其中,所述装载板装载有待识别的芯片;所述电磁探头用于采集所述装载板泄露的电磁信号,所述数字存储示波器用于记录所述电磁探头采集的电磁信号;所述终端用于根据对电磁信号进行分析后的结果,识别芯片类型。
2.根据权利要求1所述的***,其特征在于,所述装载板包括核心板及底板;所述核心板用于装载待识别的芯片,所述底板用于装载所述核心板。
3.根据权利要求1所述的***,其特征在于,所述装载板还包括Flash芯片与转接板;所述底板用于装载所述转接板,所述转接板用于装载不同容量的Flash芯片。
4.一种芯片类型识别方法,其特征在于,所述方法包括:
对芯片工作时泄露的电磁信号进行检测;
当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录;
基于预先训练的支持向量机,根据目标电磁信号记录确定所述芯片的芯片类型。
5.根据权利要求4所述的方法,其特征在于,所述基于预先训练的支持向量机,根据所述目标电磁信号记录确定所述芯片的芯片类型之前,还包括:
根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机。
6.根据权利要求5所述的方法,其特征在于,所述根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机之前,还包括:
采集每种类型芯片在工作时泄露的电磁信号记录;
对每种类型芯片所采集到的电磁信号记录进行预处理;
所述根据各种类型芯片在工作时所采集到的电磁信号对支持向量机进行训练,得到训练后的支持向量机,包括:
根据各种类型芯片对应预处理后的参数,对支持向量机进行训练,得到训练后的支持向量机。
7.根据权利要求6所述的方法,其特征在于,所述对每种类型芯片所采集到的电磁信号记录进行预处理,包括:
对于任一类型芯片所采集到的电磁信号记录,当电磁信号记录的数量为多个时,以任一电磁信号记录为基准,对剩下的每一电磁信号记录进行移位;
根据剩下的每一电磁信号记录移位后与所述任一电磁信号记录之间的相关度,将剩下的每一电磁信号记录与所述任一电磁信号记录进行对齐;
基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数。
8.根据权利要求7所述的方法,其特征在于,所述基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数之前,还包括:
将对齐后的每一电磁信号记录进行频域分析,得到对齐后的每一电磁信号记录所对应的频谱值记录;
所述基于数据成份分析算法,根据对齐后的每一电磁信号记录提取对应的特征参数,包括:
基于数据成份分析算法,根据每一频谱值记录提取对应的特征参数。
9.根据权利要求4至8中任一权利要求所述的方法,其特征在于,所述基于预先训练的支持向量机,根据目标电磁信号记录确定所述芯片的芯片类型之前,还包括:
对目标电磁信号记录进行预处理;
所述基于预先训练的支持向量机,根据目标电磁信号记录确定所述芯片的芯片类型,包括:
将目标电磁信号记录进行预处理后所得到的参数输入至预先训练的支持向量机,得到相应的芯片类型。
10.一种芯片类型识别装置,其特征在于,所述装置包括:
检测模块,用于对芯片工作时泄露的电磁信号进行检测;
记录模块,用于当检测到采集到的电磁信号大于第一预设阈值时,以当前时刻为起始点,对后续的电磁信号进行记录,直到检测到电磁信号小于第二预设阈值为止,得到对应的目标电磁信号记录;
确定模块,用于基于预先训练的支持向量机,根据目标电磁信号记录确定所述芯片的芯片类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611119566.1A CN106814257A (zh) | 2016-12-07 | 2016-12-07 | 芯片类型识别***、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611119566.1A CN106814257A (zh) | 2016-12-07 | 2016-12-07 | 芯片类型识别***、方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106814257A true CN106814257A (zh) | 2017-06-09 |
Family
ID=59106136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611119566.1A Pending CN106814257A (zh) | 2016-12-07 | 2016-12-07 | 芯片类型识别***、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106814257A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830135A (zh) * | 2018-04-25 | 2018-11-16 | 中国电子科技集团公司电子科学研究院 | 计算机电磁泄漏信号识别方法、装置及存储介质 |
CN109409092A (zh) * | 2018-10-11 | 2019-03-01 | 郑州云海信息技术有限公司 | 一种判断可信芯片类型的方法、装置及设备 |
WO2019196672A1 (zh) * | 2018-04-09 | 2019-10-17 | 国民技术股份有限公司 | 一种芯片安全性评估方法、装置及存储介质 |
CN110381233A (zh) * | 2019-04-16 | 2019-10-25 | 泰州市朗嘉尚网络科技有限公司 | 自适应清晰度调节*** |
CN111835995A (zh) * | 2019-04-16 | 2020-10-27 | 泰州市朗嘉尚网络科技有限公司 | 自适应清晰度调节方法 |
CN117310452A (zh) * | 2023-11-29 | 2023-12-29 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电磁信号泄露的确定方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101506676A (zh) * | 2005-11-04 | 2009-08-12 | Vns组合有限公司 | 基于芯片的电磁发射确定关于芯片内部操作的信息的方法 |
EP2164053A1 (fr) * | 2008-09-11 | 2010-03-17 | Gemplus | Procédé de contre-attaque autonome en réponse à une ou plusieurs agressions physiques, et dispositif associé |
CN102289541A (zh) * | 2011-07-01 | 2011-12-21 | 上海大学 | 基于fpga的可扩展多核处理器验证平台 |
CN102346847A (zh) * | 2011-09-26 | 2012-02-08 | 青岛海信网络科技股份有限公司 | 一种支持向量机的车牌字符识别方法 |
CN104992114A (zh) * | 2015-06-09 | 2015-10-21 | 北京电子科技学院 | 基于嵌入式密码芯片的电磁分析***及方法 |
-
2016
- 2016-12-07 CN CN201611119566.1A patent/CN106814257A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101506676A (zh) * | 2005-11-04 | 2009-08-12 | Vns组合有限公司 | 基于芯片的电磁发射确定关于芯片内部操作的信息的方法 |
EP2164053A1 (fr) * | 2008-09-11 | 2010-03-17 | Gemplus | Procédé de contre-attaque autonome en réponse à une ou plusieurs agressions physiques, et dispositif associé |
CN102289541A (zh) * | 2011-07-01 | 2011-12-21 | 上海大学 | 基于fpga的可扩展多核处理器验证平台 |
CN102346847A (zh) * | 2011-09-26 | 2012-02-08 | 青岛海信网络科技股份有限公司 | 一种支持向量机的车牌字符识别方法 |
CN104992114A (zh) * | 2015-06-09 | 2015-10-21 | 北京电子科技学院 | 基于嵌入式密码芯片的电磁分析***及方法 |
Non-Patent Citations (3)
Title |
---|
刘飚: "基于机器学习的密码芯片电磁攻击技术研究", 《博士论文集》 * |
李雄伟等: "微控制器密码芯片秩相关电磁分析", 《深圳大学学报理工版》 * |
邓高明等: "针对密码芯片的电磁频域模板分析攻击", 《计算机学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196672A1 (zh) * | 2018-04-09 | 2019-10-17 | 国民技术股份有限公司 | 一种芯片安全性评估方法、装置及存储介质 |
CN110363033A (zh) * | 2018-04-09 | 2019-10-22 | 国民技术股份有限公司 | 一种芯片安全性评估方法及装置 |
CN108830135A (zh) * | 2018-04-25 | 2018-11-16 | 中国电子科技集团公司电子科学研究院 | 计算机电磁泄漏信号识别方法、装置及存储介质 |
CN109409092A (zh) * | 2018-10-11 | 2019-03-01 | 郑州云海信息技术有限公司 | 一种判断可信芯片类型的方法、装置及设备 |
CN110381233A (zh) * | 2019-04-16 | 2019-10-25 | 泰州市朗嘉尚网络科技有限公司 | 自适应清晰度调节*** |
CN111835995A (zh) * | 2019-04-16 | 2020-10-27 | 泰州市朗嘉尚网络科技有限公司 | 自适应清晰度调节方法 |
CN117310452A (zh) * | 2023-11-29 | 2023-12-29 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电磁信号泄露的确定方法、装置、计算机设备和存储介质 |
CN117310452B (zh) * | 2023-11-29 | 2024-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电磁信号泄露的确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106814257A (zh) | 芯片类型识别***、方法及装置 | |
CN103488941B (zh) | 硬件木马检测方法及*** | |
CN101080689B (zh) | 利用感测频率的较小偏移检测位置传感器中的噪声的方法和*** | |
CN102592068B (zh) | 采用功耗分析检测fpga芯片中恶意电路的方法及其*** | |
CN106845286B (zh) | 硬件木马检测方法、装置及*** | |
CN108062477A (zh) | 基于侧信道分析的硬件木马检测方法 | |
CN103049598B (zh) | 一种基于像素坐标策略的电磁兼容测试曲线图片的信息提取方法 | |
WO2015089346A1 (en) | Electronic component classification | |
CN103926522A (zh) | 基于电压进行硬件木马检测和定位的方法和*** | |
CN112612664A (zh) | 电子设备的测试方法、装置、电子设备和存储介质 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN104678284B (zh) | 一种提高芯片健壮性的新型测试控制电路和方法 | |
CN110866899A (zh) | 基于静态热图的无母本芯片硬件木马检测方法及装置 | |
Kumar et al. | Classification of power quality events using support vector machine and S-Transform | |
CN113076354A (zh) | 一种基于非侵入式负荷监测的用户用电数据分析方法和装置 | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN211015673U (zh) | 一种指静脉识别的门禁终端 | |
CN116760175A (zh) | 非侵入式负荷识别方法、装置、终端及存储介质 | |
CN109946538B (zh) | 一种基于磁感应信号的移动设备监控方法及*** | |
US8341579B2 (en) | Method, apparatus, and system for analyzing operation of semiconductor integrated circuits | |
CN102928691A (zh) | 检测电气设备电磁瞬态骚扰信号的***、方法及其装置 | |
CN206818857U (zh) | 一种安全芯片内的电压传感器检测装置 | |
CN201903889U (zh) | 手指静脉识别终端 | |
Ma et al. | A pmu-based multivariate model for classifying power system events | |
CN103413368A (zh) | 对金融器具在出厂前或出厂后进行检测校正的装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170609 |