WEKO3
アイテム
複数の機械学習モデルを用いたアンサンブル学習によるハードウェアトロイ識別手法
https://ipsj.ixsq.nii.ac.jp/records/228705
https://ipsj.ixsq.nii.ac.jp/records/22870551fec5a0-c8f5-455a-82aa-16527b011fad
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
IPSJ-CSS2023092.pdf (351.4 kB)
2025年10月23日からダウンロード可能です。
|
Copyright (c) 2023 by the Information Processing Society of Japan
|
|
| 非会員：¥660, IPSJ:学会員：¥330, CSEC:会員：¥0, SPT:会員：¥0, DLIB:会員：¥0 | ||
| Item type | Symposium(1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2023-10-23 | |||||||||
| タイトル | ||||||||||
| タイトル | 複数の機械学習モデルを用いたアンサンブル学習によるハードウェアトロイ識別手法 | |||||||||
| タイトル | ||||||||||
| 言語 | en | |||||||||
| タイトル | Hardware-Trojan Detection using Multiple Ensemble Learning Models | |||||||||
| 言語 | ||||||||||
| 言語 | jpn | |||||||||
| キーワード | ||||||||||
| 主題Scheme | Other | |||||||||
| 主題 | ハードウェアトロイ，ゲートレベルネットリスト，機械学習，アンサンブル学習 | |||||||||
| 資源タイプ | ||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_5794 | |||||||||
| 資源タイプ | conference paper | |||||||||
| 著者所属 | ||||||||||
| 早稲田大学大学院基幹理工学研究科情報理工・情報通信専攻 | ||||||||||
| 著者所属 | ||||||||||
| 早稲田大学大学院基幹理工学研究科情報理工・情報通信専攻 | ||||||||||
| 著者所属(英) | ||||||||||
| en | ||||||||||
| Dept. Computer Science and Communications Engineering, Waseda University | ||||||||||
| 著者所属(英) | ||||||||||
| en | ||||||||||
| Dept. Computer Science and Communications Engineering, Waseda University | ||||||||||
| 著者名 |
根岸, 良太郎
× 根岸, 良太郎
× 戸川, 望
|
|||||||||
| 著者名(英) |
Ryotaro, Negishi
× Ryotaro, Negishi
× Nozomu, Togawa
|
|||||||||
| 論文抄録 | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | IoT (Internet-of-Things)機器は，私たちの日常生活に広く普及しており，コスト削減のための設計・製造の外注が一般的になっている．一方，信頼性の乏しいベンダーによりハードウェアトロイ (HT)と呼ばれる悪意のある回路が挿入されるリスクが指摘されている．本稿では，ゲートレベルネットリストを対象に，複数の機械学習モデル (ランダムフォレスト，XGBoost，LightGBM，CatBoost)を用いたアンサンブル学習によるHT識別を行い，識別性能を評価する．提案手法では機械学習による識別結果を再度，機械学習モデルに学習することにより識別精度の向上を目指す．評価実験の結果，提案手法は従来の単体の機械学習モデルを用いる手法に比べ高い精度でHTを識別することを確認した． | |||||||||
| 論文抄録(英) | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | IoT (Internet-of-Things) devices are widely used in our daily lives, and outsourcing of design and manufacturing has become common to reduce costs. On the other hand, there is a risk of malicious circuits called hardware Trojans (HTs) being inserted by unreliable vendors. In this paper, we propose an HT detection method using multiple ensemble learning models (random forest, XGBoost, LightGBM, and CatBoost). The experimental results showed that the proposed method identifies HTs at a higher rate than the conventional method using a single machine-learning model. | |||||||||
| 書誌情報 |
コンピュータセキュリティシンポジウム2023論文集 p. 676-683, 発行日 2023-10-23 |
|||||||||
| 出版者 | ||||||||||
| 言語 | ja | |||||||||
| 出版者 | 情報処理学会 | |||||||||
