物理非克隆功能抗模板攻击和人工智能攻击的方法

发明专利有效专利

申请号：
CN201810141313.7
IPC分类号：G06F21/76;G06F21/55
申请日期：
2018-02-11
申请人：
复旦大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	物理非克隆功能抗模板攻击和人工智能攻击的方法
申请号	CN201810141313.7	申请日期	2018-02-11
法律状态	授权	申报国家	中国
公开/公告日	2018-08-28	公开/公告号	CN108460297A
优先权	暂无	优先权号	暂无
主分类号	G06F21/76 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06F 电数字数据处理（基于特定计算模型的计算机系统入G06N） G06F21/24 （转入G06F 21/60） G06F21/70 保护特定的内部或外部计算机组件，即保护一个组件从而保护整个计算机〔2013.01〕 G06F21/71 确保安全计算或信息处理〔2013.01〕 G06F21/76 在专用集成电路〔ASICs〕或现场可编程器件中，例如现场可编程门阵列〔FPGAs〕或可编程逻辑器件〔PLDs〕〔2013.01〕	IPC分类号	G;0;6;F;2;1;/;7;6;;;G;0;6;F;2;1;/;5;5查看分类表>
申请人	复旦大学	申请人地址	上海市杨浦区邯郸路220号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	复旦大学	当前权利人	复旦大学
发明人	王明宇
代理机构	济南泉城专利商标事务所	代理人	李桂存

摘要

本发明属于集成电路设计领域的芯片安全防护领域，涉及用于一种采用深度学习网络电路保护物理非克隆功能抗模板攻击和人工智能攻击的方法，采用以下步骤：具有物理非克隆功能的芯片，其实际物理非克隆功能模块电路输出端连接到一个深度学习网络电路，其物理非克隆模拟模块的输入端连接该深度学习网络电路；采用模板攻击和深度学习网络攻击方式对深度学习网络电路进行训练和测试；根据训练数据和测试数据确定深度学习网络电路的权重参数Wn;使测试结果的抗攻击正确率在55%以下。本发明的有益效果是，采用深度学习网络电路保护物理非克隆功能模块抗模板攻击和人工智能攻击的方法，使之特征无法被模板攻击或深度学习网络攻击来提取并预测，从而保证芯片的安全。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供