该论文研究硬件木马（hardware trojan）的运行时检测问题。传统硬件木马检测多依赖破坏性逆向工程或片上额外监测电路，成本高、难以在设备部署后持续运行。作者提出利用处理器运行时的电磁（EM）辐射作为被动侧信道，对运行中的系统做实时检测。为验证可行性，研究团队采用一个开源硬件木马实现，该木马具备任意内存写原语（arbitrary memory-write primitive），将其植入到基于 RISC-V 微架构、运行 Linux 的系统中，攻击目标为篡改内核内存（kernel memory）。实验通过采集处理器 EM 辐射建立实时基线，并监测偏离基线的异常。结果表明，在一定条件下，硬件木马可以借助其引发的软件行为异常被间接检测出来：即通过软件层可观测的异常行为反推硬件层恶意活动，而不必直接对 EM 信号做完整的模板匹配。论文主要贡献包括：一是给出了 EM 侧信道用于运行时硬件木马检测的实验评估框架；二是验证了“硬件木马—软件可观测副作用—EM 异常”这一间接检测链条在 RISC-V Linux 场景下的可行性；三是讨论了检测成立的前提条件与局限，如木马触发模式、EM 噪声环境、基线建立成本等。该工作适合硬件安全、供应链安全、侧信道分析与 RISC-V 可信计算方向的研究人员阅读。

该论文提出了一种名为Clairvoyance的新型侧信道攻击方法，利用图形处理器（GPU）在执行深度神经网络（DNN）任务时产生的远场电磁辐射，在距离数米甚至穿过障碍物（如墙壁）的情况下窃取DNN模型的架构信息（如层数、每层宽度、卷积核大小等）。现有研究表明，GPU的电磁辐射可被远距离捕获，但之前的工作仅能识别简单的计算模式。本文首次证明，通过分析高频电磁信号，可以反推出复杂DNN模型的内部结构。作者设计了一套信号处理与机器学习流程：首先使用天线接收GPU的电磁泄漏信号，然后通过时频分析和特征提取将信号映射到DNN算子（如矩阵乘法、卷积），最后利用分类器推断每层的类型和参数。实验在多种典型DNN架构（如VGG、ResNet、Transformer）上验证，攻击成功率超过90%。该研究揭示了硬件电磁侧信道在AI模型保密性方面的新威胁，表明即使物理隔离或使用墙遮挡也无法完全保护模型架构。