基于遗传算法的抗网表逆向攻击逻辑混淆方法

随着集成电路(IC)产业进入后摩尔时代,芯片一次性工程成本愈发高昂,而以逆向工程技术为代表的知识产权窃取手段,越来越严重地威胁着芯片信息安全。为了抵抗逆向工程攻击,该文提出一种基于遗传算法的自动化逻辑混淆方法,通过分析网表寄存器的拓扑网络结构,筛选逻辑节点并创建冗余连接,从而混淆词级寄存器的相似性特征,在低开销下防止逆向攻击恢复寄存器传输级的词级变量、控制逻辑与数据通路。基于SM4国密算法基准电路开展验证实验,结果表明:经该文方法混淆后,逆向结果与设计真实情况的标准化互信息相关度下降了46%,拓扑复杂度提升61.46倍,面积额外开销为0.216%;同时相较于随机混淆,该混淆方法效率提升为2.718倍,面积额外开销降低70.8%。     

TNC架构的应用研究

可信网络连接(TNC)是由60多家可信赖计算机组织TCG的成员共同开发的。TNC是基于完整性和认证性双重概念开发的,TNC架构提供了在不同网络环境中采集和交换端点完整性数据的通用框架。本文定义了TNC架构的基本元素,介绍了TNC与现有网络标准和设备的关系,并研究了如何在现有网络环境下应用TNC架构的问题。     

一类网络化系统控制器设计新方法

研究了一类包含网络诱导时延、数据丢包以及错序等非理想因素网络模型的控制器设计问题.结合线性矩阵不等式技术,通过控制器分解,提出了一种新的控制器设计方法.新算法具有控制器直接求解,不需要计算逆矩阵等特点.仿真例子表明新算法是有效的.     

一种11位80 MS/s分段式电流舵DAC的设计与验证

基于SMIC 0.13 μm CMOS工艺,在3.3 V/1.2 V(模拟/数字)双电源下,设计了一种11位80 MS/s的数/模转换器(DAC)。电路采用分段式电流舵结构,高6位为温度计码,低5位为二进制码。该DAC应用于无线通信SoC的模拟前端。IP核尺寸为960 μm ×740 μm,功耗40 mW,电路仿真结果显示,DAC的最大积分非线性误差和微分非线性误差分别为0.5 LSB和0.3 LSB。在20 MHz输出信号频率和80 MHz采样率下,DAC差分输出的SFDR为80 dB。设计的电路已经通过MPW流片验证,给出了DAC芯片照片与实测数据。     

视频监控在广域网中的实现

文章提出了广域网中视频监控系统的设计方案。该系统采用先进的视频监控技术,充分利用IP网络的传输功能,将监控系统与IP网络有效融合,实现了监控的网络化和数字化。建成后的广域网视频监控系统以实时监控录像为主,系统不仅结构上具备扩展能力,业务上也具备综合应用能力,包括图像传输、远程监控、数字图像数据远程集中存储、远程实时点播回放等。     

介质壁加速腔加速结构优化

为了在介质壁加速器中增大轴向加速电场, 提高加速梯度的同时抑制径向电场对束包络的扩张, 提出了在每个加速电极上添加金属栅网结构。采用基于粒子云网格方法的电磁粒子模拟软件对不加栅网与添加栅网的电极结构进行了数值仿真, 分析了不同结构下加速管道中的电场分布和束包络变化。通过实验对比了两种不同结构下经过相同的加速长度获得的粒子能量。结果表明:添加金属栅网结构相对于不加栅网的金属小孔式结构, 轴向加速电场强度提高20%, 同时径向电场得到有效抑制;栅网结构下, 被加速的粒子束在自由漂移空间中的径向发散基本得到抑制;在相同的加速长度下加速H3+粒子, 栅网结构得到的能量增益提高了一倍。     

介质壁直线加速器加速单元间的电路耦合及解耦

中国工程物理研究院流体物理研究所研发的介质壁直线加速器是基于固态脉冲形成线、GaAs光导开关和高梯度绝缘介质壁三项关键技术的新型直线脉冲加速器。在加速器调试阶段,测量出获得加速的质子束流能量远低于预期值,在排除功率源负载能力因素之后,发现脉冲功率源因连接回路引起的电路耦合效应是导致束流能量低的主要原因。基于介质壁直线加速器加速单元放电回路结构的分析,确认了加速单元之间的电路耦合的必然性。并通过测量回路电流,研究了几种不同工作模式下的电路耦合效应。结合电路耦合的特点,给出了两种基于磁芯隔离的解耦方法,并测量了这两种方法的解耦效率。     

光散射粒度测量中Mie理论的高精度算法

本文在以往计算Ｍｉｅ散射计算的基础上提出一种新的算法。本算法区别于传统的递推算法,精度高、计算范围广。文中推导了该算法的公式,分析了递推公式的不稳定性和应用上的局限性,并指出了本算法的优势。最后给出了部分计算结果并与已发布数据进行了比较。本算法适用的颗粒当量直径为１ｅ５￣１ｅ＋５,折射率虚部０￣１ｅ＋５。     

基于渐进式双重对齐的无源无监督领域自适应方法

无源领域自适应的核心任务是利用无标签的目标域数据,将预训练好的源模型迁移到目标领域。基于深度聚类的方法需要在自监督学习过程中挖掘辅助信息来正则化特征分布对齐,而辅助信息中噪声常常误导该对齐过程;基于伪源域的对抗学习方法进行概率分布对齐,对所构建伪源域质量十分敏感。针对现有方法存在的不足,本文提出了一种基于渐进式双重对齐的无源无监督领域自适应方法,在进行深度聚类的同时,进行域对齐,缓解深度聚类中伪标签的噪声。首先,通过超近邻增强样本生成高质量伪源域,以克服源域不可见的问题;其次,利用对抗学习,实现两个域的概率分布初对齐;最后,引入深度特征相似,进一步强化对齐效果。在两个公开数据集上的实验结果表明了其有效性。