14、故障注入设备的快速校准与优化

故障注入设备的快速校准与优化

在故障注入实验中，找到最佳的故障注入设置对于提高效率和成功率至关重要。本文将介绍两种超参数优化技术——连续减半算法（SHA）和基于顺序模型的算法配置（SMAC），并通过实验比较它们与遗传算法（GA）和随机搜索（RS）在不同32位微控制器上的性能，最后展示如何使用SMAC绕过代码保护机制。

1. 超参数优化技术

在故障注入设备的校准阶段，为了提高向最佳故障注入设置的收敛速度，我们使用了两种超参数优化技术：SHA和SMAC。

1.1 参数空间和设备配置

参数空间 $\Theta$ 取决于故障注入技术和所使用的设置。例如，我们的电压故障注入（VFI）设置有9个自由参数来定义毛刺波形（8个电压电平以及毛刺持续时间）。每个配置 $\theta \in \Theta$ 描述了如何调整给定故障注入设备的每个参数。搜索的复杂度会根据参数空间内可能的设备配置数量以及目标微控制器而有所不同。SHA或SMAC可以显著减少识别能引发可利用故障的配置所花费的时间。

1.2 连续减半算法（SHA）

SHA最初由Karnin等人提出用于解决多臂老虎机问题，也可应用于超参数优化。该算法的主要目的是在固定预算 $T$（即有限的时间或资源，例如故障注入的总次数）内正确识别出最佳配置。总预算会均匀分配到 $\log_2(n)$ 个淘汰轮次中，其中 $n$ 是初始配置实例 $\vec{\Theta}_0$ 的数量。

算法步骤如下：

Input: 总预算 T, 故障注入参数空间 Θ, n 个初始配置实例 ⃗Θ0 ⊂ Θ
Ou