该论文提出了一种名为PATCH-FFT的基于补丁的Transformer架构，用于通过频域分析功率迹线检测休眠态的硬件木马。硬件木马（HT）是恶意实体嵌入集成电路中的恶意电路，通常通过功率侧信道隐秘泄露敏感信息，并在触发条件激活前保持休眠状态以避免检测。对于信息泄露型木马，在休眠态检测至关重要，因为一旦触发，秘密数据即被窃取。现有方法主要关注激活态木马，对休眠态检测效果不佳。PATCH-FFT首先使用实快速傅里叶变换（rFFT）将时域功率测量值转换为频域表示，从而揭示传统时域分析难以发现的频谱签名。然后，将频域信号分割为多个补丁，输入Transformer模型进行二分类（良性与木马植入）。实验在Trust-Hub基准数据集上进行，包含多种木马类型。结果表明，该方法在休眠和激活木马场景下平均检测准确率达到90.94%，优于现有最先进方法，尤其在休眠木马检测方面，之前的时间域方法无法有效处理该类问题。该工作为硬件安全领域提供了一种新颖、有效的休眠木马检测手段。

本文针对传统硬件特洛伊木马检测方法难以发现休眠态木马的问题，提出一种基于神经控制微分方程（NCDE）和功率迹分析的早期检测与预测方法。该方法首先在无木马数据上训练NCDE模型，学习芯片的正常功耗行为模式；随后结合线性判别分析（LDA）分类器，利用标注数据区分无木马、休眠木马和激活木马三种状态。通过滑动窗口处理侧信道测量值，NCDE模型能够捕捉微小的功耗偏差，即使木马处于休眠状态也能被识别。实验在标准硬件木马基准测试集上进行，结果表明该方法比传统机器学习方法具有更高的检测准确率，且对超过灵敏度阈值的休眠木马同样有效。主要贡献包括：首次将NCDE用于硬件木马检测、实现了对休眠木马的早期预警、以及通过功耗时序分析提升了检测鲁棒性。适合硬件安全研究人员、芯片设计验证工程师以及侧信道分析从业者阅读。

现代深度神经网络（DNN）通过反复微调来融入新数据与功能，但这种演进工作流引入了安全风险：当更新数据不完全可信时，攻击者可能在微调过程中植入后门（Trojan）。现有的后门检测方法通常需要重建触发器或依赖干净验证集，假设条件强且计算开销大。本文提出MIST（Malicious update Identification via Spectral regression），一种基于谱回归分析的后门检测方法。核心思想是：良性微调过程中，模型内部表示（各层预激活值）的谱分布变化具有一致的模式；而后门植入会导致谱偏离这种良性演化模式。MIST将后门检测视为模型更新上的回归问题：首先在良性微调阶段建立预激活谱的参考分布，然后计算每次更新的谱距离，若距离显著偏离参考则标记为恶意。实验在CIFAR-10、GTSRB、Tiny-ImageNet和SVHN四个数据集以及BadNets、TrojanNN等八种后门攻击下进行。结果表明：单次更新后，MIST即可可靠区分后门更新与干净微调，检测准确率优于现有方法（如Neural Cleanse、STRIP等）；在多次良性更新后，性能仅有轻微且可控的退化。MIST无需了解任何中毒数据或触发条件，也不假设攻击方式，是一种假设轻量、鲁棒性强的检测信号。适合关注模型供应链安全、微调安全的研究人员和工程团队。