در طی سال های گذشته، صنعت دیجیتال و مدار های مجتمع (IC)تغییرات و پیشرفت زیادی را به خود دیده است. همراه با این تغییرات، تهدیدات زیادی نیز صنعت مدار های مجتمع را تهدید می کند. یکی از مهم ترین تهدید هایی که در طول دهه گذشته زیان های مالی بسیاری را به صنعت ذکر شده وارد کرده است تروژان های سخت افزاری (Hardware Trojans)نام دارد. تروژان های سخت افزاری به یکی از مهم ترین موضوع های صنعت مدار های مجتمع تبدیل شده که می تواند آسیب های سخت افزاری و همچنین مالی زیادی را به بخش های مختلف وارد کند. از مهم ترین تاثیر های تروژان های سخت افزاری می توان به تغییر عملکرد مدارهای مجتمع، داغی بیش از حد و درز عمدی اطلاعات اشاره کرد. تروژان های سخت افزاری در مراحل مختلف می توانند وارد مدار های دیجیتال شوند. از بین مراحل ذکر شده می توان به مرحله طراحی، آزمایش و تولید اشاره نمود. در این پژوهش، یک روش جدید برای تشخیص آسیب پذیری مدارهای دیجیتال در مقابل نفوذ تروژان های سخت افزاری در مرحله طراحی مدار های دیجیتال، نمایش داده می شود. آسیب پذیری مدارهای دیجیتال در مقابل تروژان های سخت افزاری به فاکتور های مختلفی وابسته است که باید تک تک و به صورت مجزا آن ها را بررسی نمود. این فاکتورها شامل فضاهای خالی اضافه، مسیرهای اضافه، تاخیر مسیر، قابلیت کنترل پذیری (Controllability) و توان مصرفی می شود. شبکه های عصبی عمیق (Deep Neural Networks) یک ابزار قدرتمند به منظور تعلیم سیستم های پیچیده و غیرخطی شناخته می شوند که در بخش های محتلفی مورد استفاده قرار می گیرند. بعد از تهیه یک مجموعه داده کامل در رابطه با وجود فاکتور های مختلف که مدار ها را در مقابل تروژان های سخت افزاری آسیب پذیر می کند، شبکه های عصبی می توانند به عنوان یک سیستم به منظور تشخیص و بررسی آسیب پذیری یک مدار قضاوت کنند. با توجه به ساختار طراحی مدارات دیجیتال، می توان آن ها را از لحاظ نمایش به بخش های مختلف تقسیم کرد. تمامی این بخش ها و فاکتور های آسیب پذیر آن ها به طور موازی استخراج شده و توسط یادگیری عمیق (Deep Learning) آموزش داده می شود. در نتیجه، حاصل خروجی شبکه عصبی عمیق میزان آسیب پذیر بودن مدار های دیجیتال را مشخص می کند. با توجه به روش ذکرشده تمامی قسمت های آسیب پذیر مدار و همچنین میزان آسیب پذیر بودن آن ها مشخص می شوند. با توجه به آزمایش های انجام شده که بر روی مدار های مختلف (ISCAS 85, ISCAS 89, ITC 99) انجام شده است، دسته بندی بخش های مختلف مدار و میزان آسیب پذیری آن ها در برابر تروژان های سخت افزاری با استفاده از شبکه های عصبی با دقت 95.05 انجام می شود. به علاوه، شبکه های عصبی از انعطاف بالایی برخوردار بوده و اضافه کردن فاکتور های جدید به آن ها در مقایسه با کار های قیلی و پژوهش های انجام شده راحت تر می باشد.
