專(zhuān)利名稱：一種硬件木馬檢測(cè)的特征值處理方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種木馬檢測(cè)的特征值處理方法，尤其是涉及一種硬件木馬檢測(cè)的特征值處理方法。
背景技術(shù)：
目前，硬件木馬檢測(cè)方法一共存在四種物理檢查，功能測(cè)試，內(nèi)建自測(cè)試和旁路分析技術(shù)。這四種方案，在檢測(cè)硬件木馬的時(shí)候，均需要使用一個(gè)golden板，也就是干凈電路板作為對(duì)照，才可以檢測(cè)出含有硬件木馬的電路。但是這種方法使得成本需要很大的提高，因?yàn)榈玫揭粋€(gè)干凈的電路板是需要不少的人力和物力。

發(fā)明內(nèi)容
本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的技術(shù)問(wèn)題；提供了一種可以不適用干凈的電路板作為對(duì)照，就可以檢測(cè)出電路板的異常與否的一種硬件木馬檢測(cè)的特征值處理方法。本發(fā)明還有一目的是解決現(xiàn)有技術(shù)所存在的技術(shù)問(wèn)題；提供了一種具有自動(dòng)化的特點(diǎn)，使得無(wú)需人為的干預(yù)，這也使得在檢測(cè)的過(guò)程中節(jié)約了大量的人力和物力的一種硬件木馬檢測(cè)的特征值處理方法。本發(fā)明的上述技術(shù)問(wèn)題主要是通過(guò)下述技術(shù)方案得以解決的一種硬件木馬檢測(cè)的特征值處理方法，其特征在于，包括以下步驟步驟1，根據(jù)用戶針對(duì)檢測(cè)數(shù)據(jù)是否建模選擇執(zhí)行以下步驟選擇步驟1，針對(duì)檢測(cè)數(shù)據(jù)進(jìn)行建模對(duì)采集到的數(shù)據(jù)，利用建模算法，建立模型，建模利用自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)算法，權(quán)值調(diào)整使用的學(xué)習(xí)規(guī)則為Kohonen學(xué)習(xí)規(guī)則，閾值調(diào)整選用的是閾值學(xué)習(xí)規(guī)則，競(jìng)爭(zhēng)層網(wǎng)絡(luò)為兩個(gè)節(jié)點(diǎn)；然后執(zhí)行步驟2 ;選擇步驟2，針對(duì)檢測(cè)數(shù)據(jù)不進(jìn)行建模，即對(duì)已有的數(shù)據(jù)直接進(jìn)行判斷對(duì)需要檢測(cè)的數(shù)據(jù)進(jìn)行聚類(lèi)分類(lèi)，并利用評(píng)價(jià)函數(shù)進(jìn)行評(píng)價(jià)，通過(guò)相應(yīng)的變換，得到硬件木馬可能存在的系數(shù)，如果系數(shù)較高，則說(shuō)明此組數(shù)據(jù)中含有木馬的可能性較高，然后執(zhí)行步驟2 ;如果數(shù)很低，則說(shuō)明此組數(shù)據(jù)正常，可以停止對(duì)此組數(shù)據(jù)的檢測(cè)；步驟2，對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，通過(guò)不同的計(jì)算方法給出兩類(lèi)的數(shù)據(jù)，數(shù)據(jù)較少的類(lèi)別為含有木馬的類(lèi)別，所述這兩類(lèi)數(shù)據(jù)是采集到的特征值被分成兩類(lèi)，所述這兩類(lèi)數(shù)據(jù)通過(guò)聚類(lèi)分析獲得。在上述的一種硬件木馬檢測(cè)的特征值處理方法，所述的選擇步驟I中，進(jìn)行建模的具體方法如下步驟I. I,權(quán)值初始化并選定鄰域的大??；步驟I. 2，輸入模式；步驟I. 3，計(jì)算空間距離dj，其中，dj是所有輸入節(jié)點(diǎn)與連接強(qiáng)度之差的平方和，；步驟I. 4，選擇節(jié)點(diǎn)j,它滿足min(dj)；步驟I. 5，改變j，和其鄰域節(jié)點(diǎn)的連接強(qiáng)度；
步驟I. 6,返回執(zhí)行步驟I. 2,直到滿足dj (i)后,結(jié)束。在上述的一種硬件木馬檢測(cè)的特征值處理方法，所述的選擇步驟2，進(jìn)行聚類(lèi)檢測(cè)的具體操作方法如下步驟2. 1，使用動(dòng)態(tài)聚類(lèi)方法，根據(jù)cophenet函數(shù)迭代得到一個(gè)最好的分類(lèi)，作為分類(lèi)結(jié)果，步驟2. 2，采用評(píng)價(jià)函數(shù)通過(guò)對(duì)基于距離的可分性判據(jù)修改得到，具體如下
m S =X P、a)i)(A — /,)(/(. — M)1
f 二ISw^±PUo；)/i[(x-U,)(x-jiOT}··
f二I/ =1-^^-其中m=2，表示分成兩類(lèi)分別為類(lèi)W1和o2，P(Oi)為類(lèi)i的先驗(yàn)概率，y 4為類(lèi)i的均值矩陣，U為所有值的均值矩陣，P。為評(píng)價(jià)函數(shù)，其大小在0到I之間，表示硬件木馬存在的可能性系數(shù)，值越高其存在可能性越大；步驟2.3，定義存在一個(gè)值e G
，使得當(dāng)P?！礶時(shí)，則斷定分類(lèi)正確，數(shù)據(jù)中存在異常，即判斷出被檢查的此組數(shù)據(jù)中存在硬件木馬，e為判斷的閾值，閾值根據(jù)用戶確定。因此，本發(fā)明具有如下優(yōu)點(diǎn)1.通過(guò)一套系統(tǒng)的處理方案，可以不適用干凈的電路板作為對(duì)照，就可以檢測(cè)出電路板的異常與否。2.這套系統(tǒng)具有自動(dòng)化的特點(diǎn)，使得無(wú)需人為的干預(yù)，這也使得在檢測(cè)的過(guò)程中節(jié)約了大量的人力和物力。


附圖I是本發(fā)明的一種方法流程示意圖。
具體實(shí)施例方式下面通過(guò)實(shí)施例，并結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步具體的說(shuō)明。實(shí)施例如圖I所示(I) I.首先左端的開(kāi)始是選擇步驟1，針對(duì)檢測(cè)數(shù)據(jù)進(jìn)行建模對(duì)采集到的數(shù)據(jù)，利用建模算法，建立模型，建模利用自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)算法，權(quán)值調(diào)整使用的學(xué)習(xí)規(guī)則為Kohonen學(xué)習(xí)規(guī)則，閾值調(diào)整選用的是閾值學(xué)習(xí)規(guī)則，競(jìng)爭(zhēng)層網(wǎng)絡(luò)為兩個(gè)節(jié)點(diǎn)；然后進(jìn)行聚類(lèi)分類(lèi)；2.右端開(kāi)始為選擇步驟2，針對(duì)檢測(cè)數(shù)據(jù)不進(jìn)行建模，即對(duì)已有的數(shù)據(jù)直接進(jìn)行判斷對(duì)需要檢測(cè)的數(shù)據(jù)進(jìn)行聚類(lèi)分類(lèi)，并利用評(píng)價(jià)函數(shù)進(jìn)行評(píng)價(jià)，通過(guò)相應(yīng)的變換，得到硬件木馬可能存在的系數(shù)，如果數(shù)很低，則說(shuō)明此組數(shù)據(jù)正常，可以停止對(duì)此組數(shù)據(jù)的檢測(cè)；否則說(shuō)明此組數(shù)據(jù)中含有木馬的可能性較高，然后進(jìn)行聚類(lèi)分類(lèi)；(2)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，通過(guò)不同的計(jì)算方法給出兩類(lèi)的數(shù)據(jù)，數(shù)據(jù)較少的類(lèi)別為含有木馬的類(lèi)別，所述這兩類(lèi)數(shù)據(jù)是采集到的特征值被分成兩類(lèi)，所述這兩類(lèi)數(shù)據(jù)通過(guò)聚類(lèi)分析獲得。聚類(lèi)分類(lèi)采用的是無(wú)監(jiān)督聚類(lèi)算法，在循環(huán)調(diào)用各種參數(shù)(包括距離函數(shù)、分類(lèi)方法)，得到一個(gè)評(píng)價(jià)函數(shù)最高的一套聚類(lèi)策略，然后給出分類(lèi)。這種方案速度較快，精確度已經(jīng)滿足基本需求。另外，也可以采用建立模型分類(lèi)，利用的是自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)。這種方法速度雖然慢，但是精度很高，作為檢測(cè)方案的一種選擇，但不是必須的。所以它適用于對(duì)精度要求較高的場(chǎng)合。本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類(lèi)似的方式替 代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書(shū)所定義的范圍。
權(quán)利要求
1.一種硬件木馬檢測(cè)的特征值處理方法，其特征在于，包括以下步驟 步驟1，根據(jù)用戶針對(duì)檢測(cè)數(shù)據(jù)是否建模選擇執(zhí)行以下步驟 選擇步驟1，針對(duì)檢測(cè)數(shù)據(jù)進(jìn)行建模對(duì)采集到的數(shù)據(jù)，利用建模算法，建立模型，建模利用自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)算法，權(quán)值調(diào)整使用的學(xué)習(xí)規(guī)則為Kohonen學(xué)習(xí)規(guī)則，閾值調(diào)整選用的是閾值學(xué)習(xí)規(guī)則，競(jìng)爭(zhēng)層網(wǎng)絡(luò)為兩個(gè)節(jié)點(diǎn)；然后執(zhí)行步驟2 ; 選擇步驟2，針對(duì)檢測(cè)數(shù)據(jù)不進(jìn)行建模，即對(duì)已有的數(shù)據(jù)直接進(jìn)行判斷對(duì)需要檢測(cè)的數(shù)據(jù)進(jìn)行聚類(lèi)分類(lèi)，并利用評(píng)價(jià)函數(shù)進(jìn)行評(píng)價(jià)，通過(guò)相應(yīng)的變換，得到硬件木馬可能存在的系數(shù)，如果系數(shù)較高，則說(shuō)明此組數(shù)據(jù)中含有木馬的可能性較高，然后執(zhí)行步驟2 ;如果數(shù)很低，則說(shuō)明此組數(shù)據(jù)正常，可以停止對(duì)此組數(shù)據(jù)的檢測(cè)； 步驟2，對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，通過(guò)不同的計(jì)算方法給出兩類(lèi)的數(shù)據(jù)，數(shù)據(jù)較少的類(lèi)別為含有木馬的類(lèi)別，所述這兩類(lèi)數(shù)據(jù)是采集到的特征值被分成兩類(lèi)，所述這兩類(lèi)數(shù)據(jù)通過(guò)聚類(lèi)分析獲得。
2.根據(jù)權(quán)利要求I所述的一種硬件木馬檢測(cè)的特征值處理方法，其特征在于，所述的選擇步驟I中，進(jìn)行建模的具體方法如下 步驟I. 1，權(quán)值初始化并選定鄰域的大??； 步驟I. 2，輸入模式； 步驟I. 3，計(jì)算空間距離dj，其中，dj是所有輸入節(jié)點(diǎn)與連接強(qiáng)度之差的平方和，； 步驟I. 4,選擇節(jié)點(diǎn)j,它滿足min(dj)； 步驟I. 5，改變j，和其鄰域節(jié)點(diǎn)的連接強(qiáng)度； 步驟I. 6,返回執(zhí)行步驟I. 2,直到滿足dj (i)后,結(jié)束。
3.根據(jù)權(quán)利要求I所述的一種硬件木馬檢測(cè)的特征值處理方法，其特征在于，所述的選擇步驟2，進(jìn)行聚類(lèi)檢測(cè)的具體操作方法如下 步驟2. 1，使用動(dòng)態(tài)聚類(lèi)方法，根據(jù)cophenet函數(shù)迭代得到一個(gè)最好的分類(lèi)，作為分類(lèi)結(jié)果， 步驟2. 2，采用評(píng)價(jià)函數(shù)通過(guò)對(duì)基于距離的可分性判據(jù)修改得到，具體如下 Sh =YdPiiO^ijLii -//)(//, -JUf .v,=Zn^)A；[(.v-/o(.v-/o ] 其中m=2,表示分成兩類(lèi)分別為類(lèi)W1和o2，P(Oi)為類(lèi)i的先驗(yàn)概率，ii i為類(lèi)i的均值矩陣，U為所有值的均值矩陣，P。為評(píng)價(jià)函數(shù)，其大小在0到I之間，表示硬件木馬存在的可能性系數(shù)，值越高其存在可能性越大； 步驟2. 3，定義存在一個(gè)值e G
，使得當(dāng)P?！礶時(shí)，則斷定分類(lèi)正確，數(shù)據(jù)中存在異常，即判斷出被檢查的此組數(shù)據(jù)中存在硬件木馬，e為判斷的閾值，閾值根據(jù)用戶確定。
全文摘要
本發(fā)明涉及無(wú)需干凈電路板作為對(duì)照的一套硬件木馬檢測(cè)的特征值處理方法。制定出一套系統(tǒng)用來(lái)對(duì)檢測(cè)硬件木馬采集的特征值進(jìn)行處理，從而在不需要干凈板作為對(duì)照的情況下，檢測(cè)出異常數(shù)據(jù)。同時(shí)，這套方法中，提供兩種檢測(cè)方案可供選擇，分別為無(wú)模型檢測(cè)和模型檢測(cè)。無(wú)模型檢測(cè)，利用無(wú)監(jiān)督聚類(lèi)方法，在循環(huán)調(diào)用各種參數(shù)(包括距離函數(shù)、分類(lèi)方法)，得到一個(gè)評(píng)價(jià)函數(shù)最高的一套聚類(lèi)策略，然后給出分類(lèi)。這種方案速度較快，精確度已經(jīng)滿足基本需求；模型檢測(cè)利用的是無(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)算法。這種方法速度雖然慢，但是精度很高，作為檢測(cè)方案的一種選擇，但不是必須的。所以它適用于對(duì)精度要求較高的場(chǎng)合。
文檔編號(hào)G06F21/00GK102831349SQ201210301830
公開(kāi)日2012年12月19日 申請(qǐng)日期2012年8月23日 優(yōu)先權(quán)日2012年8月23日
發(fā)明者唐明, 楊建康, 孫偉晉, 陳彥昊, 李偉杰 申請(qǐng)人:武漢大學(xué)