arXiv cs.AI· Hang Xiao, Chuhong Xu, Kainan Zhou, Gangzhen Qian, Lu Yi·· 6 天前AI 评分20
协议选择对基于特征的硬件木马检测的影响：Trust-Hub 家族间的评测边界研究
Protocol effects on feature-based hardware-Trojan detection across Trust-Hub families
AI 导读
研究测量了 Trust-Hub 基准中宿主电路复用对硬件木马检测器表现的影响，而非提出新分类器。在 49,124 个门、16 个网表、5 个宿主家族上，随机森林 F1/AP 从池化测试的 0.914/0.978 降至留出单个网表的 0.636/0.851，再到留出整个宿主家族的 0.460/0.577；XGBoost 从 0.946/0.976 降至 0.464/0.544。
正文 · AI 翻译
摘要：Trust-Hub 复用了宿主电路：若干文件的主要差异仅在于插入的木马。当来自同源变体的门同时进入训练折和测试折时，检测器可以从它已经见过的宿主逻辑中获益。我们测量的是这一效应，而不是提出另一个分类器。该语料库包含来自 16 个网表的 49,124 个门，分为五个宿主家族。我们保持解析器、36 个门特征、类别加权、模型设置、阈值和家族级聚合不变，只改变了一个选择：测试边界。三种设置分别从合并语料库中抽取测试门、留出一个完整网表，或留出一个宿主的所有变体。这一选择很重要。随机森林在合并门下记录到 F1/AP 为 0.914/0.978，留出一个网表时为 0.636/0.851，留出一个宿主家族时为 0.460/0.577。XGBoost 在同一比较中从 0.946/0.976 降至 0.464/0.544。逻辑回归损失了 AP，尽管其固定阈值 F1 并非单调。每个家族都表现出相同的从合并到家族的走向。特征移除、重复的模型和模拟器种子、分数归一化、与解析器相关的排除以及更小的样本会改变差距的大小，但不会使其反转。聚合也很重要：门加权平均被较大的 ISCAS 文件主导，因此标题数值给每个宿主家族一票。Bootstrap 和 jackknife 汇总使差距保持为正，但它们的折复用了训练家族。我们将这五行家族结果视为描述性证据，而非独立试验。五个宿主家族太少，不足以作出总体性断言，而且该实验对迁移到新单元库或工业设计的情况未作任何说明。它支持一个更狭窄的结论：同源基准变体可能夸大表观迁移。包含同一宿主电路多个变体的基准应报告家族感知的留出结果，并在合并分数旁列出全部五个家族的结果。
| Comments: | 7 页，2 幅图，3 张表。已被 IEEE ICCSIE 2026 接收。作者接受稿。可复现性工件：this https URL |
| Subjects: | 机器学习 (cs.LG)；人工智能 (cs.AI)；计算工程、金融与科学 (cs.CE)；数据库 (cs.DB)；计算机科学与博弈论 (cs.GT) |
| Cite as: | arXiv:2609.07199 [cs.LG] |
| (或 arXiv:2609.07199v2 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2609.07199 arXiv 颁发的 DOI，经由 DataCite |
Submission history
来自：Kainan Zhou [查看邮箱]
[v1]
2026 年 9 月 7 日星期一 08:22:53 UTC（394 KB）
[v2]
2026 年 10 月 9 日星期五 04:56:55 UTC（394 KB）
来源：arXiv cs.AI · arxiv.org