利用高斯过程回归结合左半空间（LHS）技术和主动采样方法，提升对回收再利用的FPGA（现场可编程门阵列）的检测能力

《ACM Transactions on Design Automation of Electronic Systems》：Enhanced Detection of Recycled FPGAs Using Gaussian Process Regression with LHS and Active Sampling

FPGA回收检测研究提出结合全面指纹(X-FP)方法与先进RO设计的新方案，使用高斯过程回归(GPR)替代VP模型，实现20%更高预测准确率与50%更少训练数据，实验验证显示优化自编码器+逻辑回归分类器在10%和3%训练数据下均达100%正确分类，优于现有VP模型。

　　

摘要

现代现场可编程门阵列（FPGA）因其灵活性和低成本开发潜力，在包括人工智能加速器和物联网（IoT）设备在内的多个领域得到广泛应用。然而，将“回收的FPGA”冒充新产品进行销售的问题日益严重。这引发了人们对可靠性的担忧，尤其是在医疗和通信系统等关键应用中，性能下降可能导致可靠性降低。许多研究提出了基于环形振荡器（RO）的延迟退化分析方法来检测回收的FPGA。然而，现有最先进的方法需要对所有查找表中的路径进行全面评估，从而增加了测试成本和数据库管理开销。为了解决这个问题，本文提出了一种结合穷尽式指纹识别（X-FP）方法和先进RO设计的新方法，该方法使用统计虚拟探针（VP）模型来预测RO的延迟。本研究旨在通过采用高斯过程回归（GPR）替代VP模型，以更少的数据点实现高精度预测。实验结果表明，使用实际硅片数据时，所提出的自定义GPR方法相比现有最先进的VP模型方法预测精度提高了20%，且训练数据量减少了50%。这两种模型的性能均优于朴素GPR模型，分别实现了9%和7%的预测精度提升。预测结果还通过优化的自动编码器进行了验证。该模型能够成功区分新旧FPGA，其中使用10%的训练数据时准确率达到100%，使用3%的训练数据时准确率达到100%。虽然VP模型训练得到的数据也能检测到老化FPGA，但在3%和10%的训练数据量下，它无法正确区分所有老化与非老化的FPGA。最后，为了进一步验证新旧FPGA的情况，在预测后使用旧FPGA和新FPGA数据训练了逻辑回归分类器，实现了100%的正确分类率。