@inproceedings{oai:ipsj.ixsq.nii.ac.jp:00228705,
 author = {根岸, 良太郎 and 戸川, 望 and Ryotaro, Negishi and Nozomu, Togawa},
 book = {コンピュータセキュリティシンポジウム2023論文集},
 month = {Oct},
 note = {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．, 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.},
 pages = {676--683},
 publisher = {情報処理学会},
 title = {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},
 year = {2023}
}