💻 computer science

Early Detection of Hardware Trojans Using Neural Controlled Differential Equations and Analysis of Power Traces

本文提出了一种新颖的硬件木马检测框架，该框架利用神经控制微分方程（NCDEs）对标称功耗轨迹进行建模，并使用线性判别分析（LDA）分类器来识别和区分休眠与激活状态的木马，与传统的机器学习方法相比，实现了更高的准确率和更早的检测能力。

原作者： Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

发布于 2026-07-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Hasala Senevirathne, Rahul Vishwakarma, Amin Rezaei

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，计算机芯片的世界就像一座建在微小硅片社区里的高科技繁华都市。每天，数以十亿计的微型工人（晶体管）遵循着严格的指令，让你的手机、汽车或笔记本电脑顺畅运行。但如果其中一些工人被恶棍秘密雇佣了呢？这些不只是偷懒的工人，而是“硬件木马”。它们是植入芯片设计中的隐蔽且阴险的修改。大多数时候，它们静静地坐着，假装一切正常，等待着一个秘密信号来唤醒它们并制造混乱——比如窃取你的密码或关闭系统。可怕之处在于，一旦它们醒来，通常就太晚了，无法阻止。

多年来，安全专家一直试图抓住这些数字间谍，但这就像是在拥挤的房间里寻找幽灵。传统方法试图检查蓝图（设计）或逐一测试工人，但这些间谍太擅长伪装了。它们只在想出现的时候才现身，或者隐藏得如此之深，以至于标准测试完全无法察觉。这就是一种新型侦探介入的地方，它不仅仅观察工人，还倾听这座城市的“心跳”。通过观察芯片消耗多少电量（其功耗轨迹），专家们可以听到一个隐藏间谍那微弱且不规则的跳动声。然而，这些信号非常杂乱且不断变化，使用传统的工具很难读取。

加州州立大学长滩分校的研究人员推出了一个名为 HOODOO 的新型数字侦探。你可以把 HOODOO 想象成一个超级聪明的连续时间监听器，它不仅仅是捕捉芯片能量使用的快照，而是像观察河流一样观察电流的流动。与其每秒钟检查一次水位（这可能会错过微小的涟漪），HOODOO 使用了一种被称为神经控制微分方程 (NCDEs) 的数学工具。你可以将 NCDEs 想象成一个神奇的透镜，能将破碎、参差不齐的数据线变成一个平滑、流动的叙事。这使得该系统能够准确学习一个“健康”的芯片在执行正常工作时是什么声音。

这篇论文的精妙之处在于 HOODOO 如何发现麻烦。该系统仅在已知是干净的芯片上进行训练。它学习了一个没有木马的芯片所具有的完美节奏。然后，当它倾听一个新的芯片时，它会尝试预测下一个节拍。如果芯片是干净的，预测就是完美的。但如果有一个木马在潜伏——即使它还在“睡觉”（处于休眠状态）——它也会在节奏中产生一个微小到几乎不可见的波动。由于 HOODOO 对时间的流动极其敏感，它能注意到其他方法会错过的这些细微偏差。论文表明，这种方法可以成功区分三种场景：没有间谍的芯片、带有“睡觉”间谍的芯片，以及间谍已经“醒来”并正在制造麻烦的芯片。

在实验中，团队在标准的硬件基准测试上测试了这种方法，包括设计用于加密和串行通信的芯片。他们发现 HOODOO 可以可靠地检测出这些隐藏的威胁。具体而言，当功耗偏差至少达到峰值功率的 3% 时，系统能够识别出“休眠”的木马。低于 3% 的阈值时，信号变得过于微弱，难以从正常的背景噪声中分辨出来，这表明对于这种特定方法而言，间谍可以小到什么程度才会变得不可见。然而，对于任何大于该数值的间谍，该方法都证明是非常有效的，其表现优于旧有的机器学习技术，如 LSTM 和多层神经网络，后者在处理现实世界中杂乱、不规则的功耗数据时往往表现挣扎。

这篇论文并不声称已经永久解决了硬件安全问题，也不暗示 HOODOO 可以抓住每一个可能的间谍。作者谨慎地指出，他们的方法依赖于木马在功耗中使用留下可衡量的“足迹”。如果一个间谍被设计得完美无声，或者环境中的噪声过高，检测就会变得更加困难。此外，虽然该系统非常擅长区分“干净”与“受感染”，但要区分“睡觉”的木马与“活跃”的木马，在他们的测试中需要涉及噪声注入的额外步骤，因为标准数据集并未提供间谍醒来的精确时间戳。

最终，这项研究表明，通过将功耗轨迹视为一个连续、流动的叙事，而非一系列断开的点，我们可以更早地发现硬件间谍。HOODOO 框架提供了一种极具前景的新方法，让我们不仅是在等待警报响起，而是通过倾听一个秘密计划开始前最微弱的低语，来守护我们的数字城市。

技术摘要：利用神经控制微分方程与功率迹分析实现硬件木马的早期检测

问题陈述

不断演变的硬件木马（Hardware Trojans, HTs）通过隐蔽地篡改集成电路（ICs），对现代数字系统构成严重威胁，可能导致未经授权的访问、数据泄露或系统故障。传统的检测方法面临显著局限性：

静态方法（如逻辑测试、静态分析）在可扩展性方面存在困难，且无法识别具有罕见激活触发器的木马。
使用标准神经网络（如 RNNs, LSTs）的动态方法通常需要大量的计算资源，并且可能无法捕捉侧信道信号（如功耗）中不规则、高维的特性。
休眠间隙（The Dormant Gap）： 大多数现有方法仅侧重于检测“活跃”木马。它们缺乏识别物理存在但目前处于“休眠”状态（尚未被触发）的木马的能力，这在恶意负载执行之前留下了一个关键的安全漏洞窗口。

方法论：HOODOO 框架

作者提出了 HOODOO（硬件木马检测与预测框架），这是一种结合了神经控制微分方程（NCDEs）与功率侧信道分析的新颖方法。该框架通过四个阶段运行：

1. 数据采集与预处理

输入： 来自硬件平台（具体使用 FPGA 板上的 TrustHub 基准测试）的高分辨率功耗迹。
滑动窗口： 迹被分割为窗口大小为 $W=50$ 个样本的片段。
处理： 每个窗口经过归一化（零均值、单位方差）处理，并使用三次样条插值或 Hermite 三次插值转换为连续路径。这使得模型能够处理不规则采样和噪声。

2. NCDE 模型架构与训练

核心概念： 与离散时间 RNN 不同，NCDEs 将隐藏状态的演化建模为一个受输入数据控制的连续时间过程。该模型由以下微分方程定义：
$h(t) = h(t_0) + \int_{t_0}^{t} f_\theta(h(s)) dX(s)$
其中 $X(t)$ 是插值的输入路径， $f_\theta$ 是控制动力学的神经网络。
训练策略： NCDE 模型仅在无木马数据上进行训练。其目标是学习电路的“标称”（nominal）功率行为，并根据前序窗口预测下一个功率样本。
优化： 模型使用 AdamW 优化器和 OneCycleLR 调度器，通过最小化预测功率值与实际功率值之间的均方误差（MSE）来进行优化。

3. 预测与异常检测

推理： 在测试期间，训练好的 NCDE 模型处理新的功率迹。它为每个滑动窗口预测下一个样本。
误差聚合： 计算每个窗口的平方预测误差。这些误差在整个迹中进行聚合，以计算全局 MSE。
逻辑： 受木马感染的电路会偏离学习到的标称行为，从而导致更高的 MSE。

4. 三分类法

系统采用线性判别分析（LDA）分类器，根据 MSE 将设备分为三种不同的状态：

无木马： $MSE \leq b_{LDA}$ （其中 $b_{LDA}$ 是由 LDA 推导出的最优边界）。
休眠木马： $b_{LDA} < MSE \leq T_{triggered}$ （表明存在木马但尚未激活的细微偏差）。
活跃木马： $MSE > T_{triggered}$ （表明正在执行有效载荷的显著偏差）。

注：虽然 $T_{triggered}$ 是概念性定义的，但实验验证中对于“休眠 vs 活跃”区别的区分依赖于噪声注入水平，因为基准测试数据集中缺乏明确的触发时间戳。

核心贡献

新颖的三分类方案： 本文引入了一种将设备分类为“无木马”、“休眠木马”和“活跃木马”的方案，超越了传统的二分类检测。
NCDE 在侧信道中的应用： 该研究通过适配 NCDEs 来模拟功率迹的连续时间动力学，有效地处理了不规则采样问题，并捕捉了离散模型可能错过的细微时间依赖关系。
休眠检测阈值： 本工作探索了模型能够可靠检测木马存在（即使在休眠状态下）的敏感度阈值，确定了一个关键的检测能力边界。
高效的滑动窗口实现： 该框架利用系统的滑动窗口方法处理功率迹，而无需对硬件进行修改。

实验结果

作者使用 NVIDIA A16 GPU，利用 TrustHub 数据集（包含各种木马变体的 AES-128 和 RS232 电路）对 HOODOO 进行了验证。

基准性能： NCDE 模型展示了预测标称电路行为（无木马）的强大能力，并在木马存在时表现出明显的偏差。
检测灵敏度：
- 当噪声/扰动水平 $\geq 3\%$ 峰值功率迹振幅时，该方法成功检测到了木马。
- 在低于 3% 的阈值时，区分休眠木马与正常行为的能力下降，这表明当前在极度隐蔽木马检测方面的灵敏度存在局限。
与现有技术对比：
- 与 MLNN、LSTM、HTM 以及基于 LLM 的方法相比，HOODOO 在活跃木马检测方面达到了具有竞争力的或更优的准确率（例如在 3% 噪声阈值下达到 95.4% 的准确率）。
- 至关重要的是，HOODOO 是对比方法中唯一提供休眠检测能力（三状态分类）的方法，而其他方法仅限于二分类（清洁 vs 受感染）或仅针对活跃检测。

意义与主张

本文声称 HOODOO 通过实现主动性措施，为硬件安全提供了显著的进步。通过在木马处于休眠状态时对其进行检测，安全团队可以在木马被触发并导致系统故障或数据泄露之前识别出恶意硬件。

作者强调，其方法：

不需要硬件修改。
利用 NCDEs 的连续时间建模来处理侧信道信号固有的不规则性和噪声。
比二分类提供更细致的系统安全视图。

承认的局限性：
论文坦诚地指出，检测假设休眠木机会产生可测量的侧信道足迹；对于诱发变化低于峰值功率 3% 的木马，目前可能会规避检测。此外，灵敏度分析使用高斯噪声作为代理，而现实世界中的休眠木马可能会表现出结构化的、非高斯的特征。作者建议未来的工作应探索来自 NCDE 潜在状态的更丰富的异常特征以及多模态侧信道数据，以提高灵敏度。