تشخیص تروجان های سخت افزاری براساس ویژگی های مرکزیت گراف

در این مقاله یک روش مبتنی برنتلیست ویژگی های مرکزیت گراف برای تشخیص تروجان های سخت افزاری با استفاده از یادگیری ماشین ارائه شده است. برای این منظور ابتدا مدارات محک سطح گیت به گراف های جهت دار تبدیل و سپس معیارهای مرکزیت برای تمامی گره های گراف محاسبه و در قالب یک مجموعه داده ذخیره میشوند. از مجموعه داده ایجاد شده به عنوان ورودی یک مدل یادگیری به منظور دسته بندی نت های تروجان و سالم استفاده شده است. از مدل یادگیری XGBoost برای این منظور استفاده شده است. با سه روش مختلف میزان اهمیت و تاثیر مجموعه ویژگی های پیشنهادی مرکزیت گراف مورد ارزیابی قرار گرفته است. به منظور ارزیابی دقیقتر، مجموعه ویژگیهای پیشنهادی مبتنی بر مرکزیت گراف با مجموعه داده ایجاد شده براساس ویژگیهای ساختاری سطح-گیت مقایسه شده اند. نتایج به دست آمده نشان میدهد که روش پیشنهادی استخراج ویژگیهای مبتنی بر مرکزیت گراف، معیار F۱-score را به میزان ۱۰درصد و معیار ROC را به میزان ۲۲درصد بهبود داده است.