基于深度学习的门级硬件木马定位方法及系统技术方案

本发明专利技术涉及一种基于深度学习的门级硬件木马定位方法及系统，该方法首先获取七个公开门级网表文件，得到训练集和测试集；接着进行预处理，用深度优先搜索算法将网表文件转换成路径语句，完成路径生成；然后构造并训练用于检测和定位的TextCNN模型；将测试集的路径集合输入模型，得到预检测结果；对预检测结果进行路径划分和构造虚拟定位坐标，得到用于定位的短路径集合SL；最后将SL输入TextCNN模型，得到定位结果P。本发明专利技术实现快速有效的评估集成电路的安全性能并即使发现和瞄准威胁。电路的安全性能并即使发现和瞄准威胁。电路的安全性能并即使发现和瞄准威胁。

【技术实现步骤摘要】
基于深度学习的门级硬件木马定位方法及系统


[0001]本专利技术涉及计算机硬件保护与片上系统安全领域，具体涉及一种基于深度学习的门级硬件木马定位方法及系统。

技术介绍

[0002]集成电路(ICs)是构成计算机硬件的核心组件，其设计与制造过程十分复杂。为了降低成本，许多厂商选择将IC制造的一部分环节外包出去，也就是所谓的使用第三方供应商，这无疑给硬件安全引入了一个重大的安全威胁。硬件木马(HT)是攻击者为了达到某个恶意的目的而在原始IC布局中插入的一小块电路。HT可以在IC制造的任何一个阶段插入，带来的安全威胁包括改变电路功能、造成信息泄露、拒绝服务等。目前，关于检测HT的研究大致可以分为硅前和硅后，硅前检测就是在IC芯片成品前对其进行安全性检测，同理，硅后检测就是在IC芯片成品之后对其进行安全性检测。显然，硅前检测更能降低成本，从而在安全与利润之间取得双赢。硅前检测主要在IC的设计阶段进行，而门级是设计阶段的最后一个环节，在门级检测HT是十分有效的。
[0003]在IC设计中，按照抽象的级别来划分，从高到低依次为：系统级、算法级、寄存器传输级、门级、晶体管级。门级检测是一种常用的静态检测方法，通过门级网表分析电路的逻辑结构，从而探索一种新的木马检测方法。在门级检测HT的关键是获取到描述该级别的网表文件，即门级网表。门级网表用于描述各电路元件之间的互连关系，这些电路元件包含逻辑门或与其同级别的其他元件。到目前为止，已有许多工作都提出了在门级进行预防和检测HT的方法。最常用的是利用门级网表挖掘HT的特征，后输入深度学习模型进行特征学习，从而有效的检测HT。众多检测研究都达到了相当可观的效果，但仅仅停留在检测阶段是无法真正抵御HT，找到HT的具体位置是更精确地对抗它们的先决条件，然而，定位HT相关的研究仍非常稀缺。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于深度学习的门级硬件木马定位方法及系统，能够在门级上实现硬件木马的定位。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于深度学习的门级硬件木马定位方法，包括以下步骤：
[0007]步骤A：获取七个公开门级网表文件，使用留一法进行数据集划分，得到训练集Tr和测试集Ts；
[0008]步骤B：对步骤A得到的训练集Tr和测试集Ts的门级网表文件进行预处理，结合深度优先搜索算法，得到得到训练集Tr路径集合和测试集Ts的路径集合
[0009]步骤C：构建并初始化用于检测和定位HT的TextCNN模型，并基于步骤B得到的训练集Tr的路径集合训练；
[0010]步骤D：将步骤B得到的测试集Ts的路径集合输入步骤C训练好的TextCNN模型，得到预检测结果；
[0011]步骤E：对步骤D得到的预检测结果进行路径划分和构造虚拟定位坐标，得到用于定位的短路径集合SL；
[0012]步骤F：将步骤E得到的短路径集合SL输入步骤D训练好的TextCNN模型，得到定位结果P。
[0013]进一步的，所述步骤B，具体如下：
[0014]步骤B1：利用深度优先搜索算法遍历网表文件，以线网作为中介，得到表示不同逻辑门的互连关系的树形图G；
[0015]步骤B2：基于步骤B1得到的树形图G，可以还原真实电路的情况并获得许多无标签路径，再将它们组合成该网表的无标签路径集合；
[0016]步骤B3：对步骤A得到的训练集Tr和测试集Ts的门级网表文件进行步骤B1和步骤B2的操作，最终得到训练集Tr和测试集Ts的无标签路径集合和
[0017]步骤B4：基于步骤A得到的训练集Tr和测试集Ts的门级网表的信息，对步骤B3得到无标签路径进行标签，得到训练集Tr和测试集Ts的带标签路径集合和
[0018]进一步的，所述步骤C具体为：
[0019]步骤C1：对于步骤B得到的训练集Tr的路径集合生成词汇表，以便TextCNN模型提取特征；
[0020]步骤C2：构建并初始化TextCNN模型；
[0021]步骤C3：基于步骤B得到的训练集Tr的路径集合TextCNN模型可以分别学习到有木马路径和无木马路径的特征，完成模型的训练。
[0022]进一步的，所述步骤C1具体为：
[0023]步骤C11：首先将步骤B得到的训练集Tr的路径集合转换成文本内容；
[0024]步骤C12：基于步骤C11得到的文本内容，逐个读取其中的单词并计算每个单词的频率；
[0025]步骤C13：按照单词出现的频率，从高到低为每个单词标上序号，完成单词的向量化表示；
[0026]步骤C14：将单词与对应序号封装成字典类型，写入词汇表文件，完成词汇表的生成。
[0027]进一步的，所述步骤D具体为：
[0028]步骤D1：基于步骤C训练好的TextCNN模型，为该模型的最后一层全连接层增加存储操作，便于记录预检测结果；
[0029]步骤D2：将测试集的路径集合输入步骤C训练好的TextCNN模型，得到初测结果集合{P
TP
，P
FP
，P
TN
，P
FN
}，其中P
TP
是被正确识别的木马路径的集合，P
FP
是被识别为有木马的无木马路径的集合，P
TN
是被正确识别的无木马路径的集合，P
FN
是被识别为无木马的有木马路
径的集合；
[0030]步骤D3：基于步骤D2得到的初测结果集合{P
TP
，P
FP
，P
TN
，P
FN
}，选择其中被正确识别的木马路径的集合P
TP
作为预检测结果。
[0031]进一步的，所述步骤E具体为：
[0032]步骤E1：对步骤D得到的预检测结果中的路径进行编号，得到用于定位的原始长路径集合LL＝{LL
i
|i＝1，...，TP}，TP是步骤D2得到的被正确识别的木马路径的集合P
TP
中包含的路径数量；
[0033]步骤E2：设置划分的长度cutlen，将长路径LL
i
按照cutlen个逻辑门为一组的依次划分，得到若干条短路径并给它们设置虚拟定位坐标；
[0034]步骤E3：对步骤E1得到的原始长路径集合LL中的每一条，执行步骤E2的操作，得到短路径集合SL和虚拟定位坐标集合，完成路径划分和构造虚拟定位坐标。
[0035]进一步的，所述步骤E2具体为：
[0036]步骤E21：设置划分的长度cutlen；
[0037]步骤E22：对于长路径LL
i
，计算它被划分后可生成的短路径数量num
i
，公式如下：
[0038][0039]其中，length
i
表示长路径LL
i
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的门级硬件木马定位方法，其特征在于，包括以下步骤：步骤A：获取七个公开门级网表文件，使用留一法进行数据集划分，得到训练集Tr和测试集Ts；步骤B：对步骤A得到的训练集Tr和测试集Ts的门级网表文件进行预处理，结合深度优先搜索算法，得到得到训练集Tr路径集合和测试集Ts的路径集合步骤C：构建并初始化用于检测和定位HT的TextCNN模型，并基于步骤B得到的训练集Tr的路径集合训练；步骤D：将步骤B得到的测试集Ts的路径集合输入步骤C训练好的TextCNN模型；步骤E：对步骤D得到的预检测结果进行路径划分和构造虚拟定位坐标，得到用于定位的短路径集合SL；步骤F：将步骤E得到的短路径集合SL输入步骤D训练好的TextCNN模型，得到定位结果P。2.根据权利要求1所述的一种基于深度学习的门级硬件木马定位方法，其特征在于，所述步骤B，具体如下：步骤B1：利用深度优先搜索算法遍历网表文件，以线网作为中介，得到表示不同逻辑门的互连关系的树形图G；步骤B2：基于步骤B1得到的树形图G，可以还原真实电路的情况并获得许多无标签路径，再将它们组合成该网表的无标签路径集合；步骤B3：对步骤A得到的训练集Tr和测试集Ts的门级网表文件进行步骤B1和步骤B2的操作，最终得到训练集Tr和测试集Ts的无标签路径集合和步骤B4：基于步骤A得到的训练集Tr和测试集Ts的门级网表的信息，对步骤B3得到无标签路径进行标签，得到训练集Tr和测试集Ts的带标签路径集合和3.根据权利要求1所述的基于深度学习的门级硬件木马定位方法，其特征在于，所述步骤C具体为：步骤C1：对于步骤B得到的训练集Tr的路径集合生成词汇表，以便TextCNN模型提取特征；步骤C2：构建并初始化TextCNN模型；步骤C3：基于步骤B得到的训练集Tr的路径集合TextCNN模型可以分别学习到有木马路径和无木马路径的特征，完成模型的训练。4.根据权利要求3所述的基于深度学习的门级硬件木马定位方法，其特征在于：所述步骤C1具体为：步骤C11：首先将步骤B得到的训练集Tr的路径集合转换成文本内容；步骤C12：基于步骤C11得到的文本内容，逐个读取其中的单词并计算每个单词的频率；步骤C13：按照单词出现的频率，从高到低为每个单词标上序号，完成单词的向量化表
示；步骤C14：将单词与对应序号封装成字典类型，写入词汇表文件，完成词汇表的生成。5.根据权利要求1所述的基于深度学习的门级硬件木马定位方法，其特征在于：所述步骤D具体为：步骤D1：基于步骤C训练好的TextCNN模型，为该模型的最后一层全连接层增加存储操作，便于记录预检测结果；步骤D2：将测试集的路径集合集合输入步骤C训练好的TextCNN模型，得到初测结果集合{P
TP
，P
FP
，P
TN
，P
FN
}，其中P
TP
是被正确识别的木马路径的集合，P
FP
是被识别为有木马的无木马路径的集合，P
TN
是被正确识别的无木马路径的集合，P
FN
是被识别为无木马的有木马路径的集合；步骤D3：基于步骤D2得到的初测结果集合{P
TP
，P
FP
，P
TN
，P
FN
}，选择其中被正确识别的木马路径的集合P
TP
作为预检测结果。6.根据权利要求1所述的基于深度学习的门级硬件木马定位方法，其特征在于：所述步骤E具体为：步骤E1：对步骤D得到的预检测结果中的路径进行编号，得到用于定位的原始长路径集合LL＝{LL
i
|i＝1，...，TP}，TP是步骤D2得到的被正确识别的木马路径的集合P
TP
中包含的路径数量；步骤E...

【专利技术属性】
技术研发人员：董晨，张媛媛，许熠，黄槟鸿，黄小刚，
申请(专利权)人：福州大学，
类型：发明
国别省市：