硬件木马是集成电路设计制造中的重要安全隐患之一。这是因为,在设计流程中大量依赖第三方硬件IP(Intellectual Property)和自动化工具,以及由于经济原因将设计和制造步骤外包给外部各方,这都导致制造出来的集成电路芯片中可能存在设计规范之外的恶意功能,导致数据泄露或篡改等严重后果。硬件木马检测包括硅前检测和硅后检测。硅前检测主要针对设计代码进行检测,硅后检测则主要针对制造后的芯片进行检测。它们所处的阶段不同,所针对的硬件木马类别也不同,前者是攻击者在设计过程中植入设计代码内的硬件木马,而后者是芯片制造过程中植入芯片内的硬件木马。本文针对在代码设计过程中或者调用IP核可能被植入的硬件木马,开展基于机器学习的门级木马检测方法研究。针对不同的电路,自动为待检测电路设计生成包含木马的电路,通过提取该木马的特征值作为机器学习的训练集,最终对待测电路是否存在此类硬件木马进行检测。1)本文提出一种针对任何电路自动插入硬件木马的方法,基于硬件木马难以被触发的特性,所提方法通过插入低信号概率生成电路和二选一选择器来实现硬件木马触发器和负载电路。同时,为了保证所生成的硬件木马电路难以被检测,将生成的硬件木马电路进行仿真筛选得到可用的硬件木马电路。通过上述方法,对于任意一个待测电路都可以自动生成多个硬件木马电路。2)本文面向机器学习,提出了可控制率和可观测率这两个特征,对于训练集,采取多种不同输入概率来获得多组连线特征,然后使用支持向量机对其进行训练。在ISCAS’89基准电路的实验结果表明,硬件木马信号线的检测精度可达100%,而非硬件木马信号线的检测精度最高可达99.93%以上。