门级电路组件识别方法、系统、存储介质及设备技术方案

本发明专利技术公开了一种门级电路组件识别方法、系统、存储介质及设备，涉及数据处理技术领域，该方法包括：获取一待识别的门级电路的电路数据，将所述门级电路的门级网表转换至图数据，并为所述门级电路中每个节点赋予其对应的初始特征；将所述门级网表的图数据导入至预设的图神经网络模型中，以作为所述图神经网络模型的输入层；通过所述图神经网络模型对所述门级网表的图数据中每个节点进行分类，输出所述门级网表的图数据的分类结果；根据所述分类结果，基于所述图数据中每个节点的类别识别所述门级网表中每个节点所属的组件类别。本发明专利技术能够解决现有技术中门级电路中组件识别精度不高的技术问题。高的技术问题。高的技术问题。

【技术实现步骤摘要】
门级电路组件识别方法、系统、存储介质及设备


[0001]本专利技术涉及数据处理
，具体涉及一种门级电路组件识别方法、系统、存储介质及设备。

技术介绍

[0002]电路识别是宏块优化、形式化验证、恶意逻辑检测和逆向工程等方面的基本过程。目前，基于机器学习的电路识别方法已经被提出且已被证实了它的高效和可扩展性。
[0003]目前基于机器学习的门级电路识别方法大致分为两类。第一类是将门级电路转化为结构化数据，使用卷积神经网络（CNN）或支持向量机（SVM）等处理结构化数据的模型进行识别。第二类是将门级电路转化为非结构化数据，也就是图数据，再应用图神经网络（GNNS）进行识别。门级电路可以很自然地被看做为一个图，其节点代表门，边代表门间的连接关系，相比于第一类方法将门级电路转换为规则化的数据，第二类方法将电路表征为图能更大限度地存储电路信息。因此，在现有方法中，基于图神经网络的方法往往更优。但目前基于图神经网络的门级电路组件识别问题中，具有以下不足：1、在将电路转换为图时，节点的特征赋予方法并不能很好地保留电路原有的信息，最终导致模型的表现力不强，进而降低了识别精度。
[0004]2、只是简单地使用GNNS模型到电路数据集，并没有针对电路数据的特殊性选择合适的GNNS模型，导致GNNS模型的表现力不够强大，不能更为精准地对门级电路进行识别。
[0005]3、现有方法不具备扩展性，只能在小型电路上进行较高精度识别。

技术实现思路

[0006]针对现有技术的不足，本专利技术的目的在于提供一种门级电路组件识别方法、系统、存储介质及设备，以解决现有技术中门级电路的组件识别存在精度不高的技术问题。
[0007]本专利技术的第一方面在于提供一种门级电路组件识别方法，所述方法包括：获取一待识别的门级电路的电路数据，将所述门级电路的门级网表转换至图数据，并为所述门级电路中每个节点赋予其对应的初始特征；将所述门级网表的图数据导入至预设的图神经网络模型中，以作为所述图神经网络模型的输入层；通过所述图神经网络模型对所述门级网表的图数据中每个节点进行分类，输出所述门级网表的图数据的分类结果；根据所述分类结果，基于所述图数据中每个节点的类别识别所述门级网表中每个节点所属的组件类别。
[0008]根据上述技术方案的一方面，获取一待识别的门级电路的电路数据，将所述门级电路的门级网表转换至图数据，并为所述门级电路中每个节点赋予其对应的初始特征的步骤，具体包括：将所述门级电路的门级网表表征成无向图；其中，为节点集合，长度
为n，是连接节点的边集合；为每个节点赋予一初始的特征向量，其中，长度为k，为包含节点特征的二维矩阵；其中每一初始特征均包括电路图的有向图结构信息与功能信息。
[0009]根据上述技术方案的一方面，为每个节点赋予一初始的特征向量的步骤，具体包括：根据所述无向图，获取每一节点的端口信息、结构信息、入度门信息、出度门信息与自身门信息；将所述节点的入度门信息、出度门信息与自身门信息进行区分，分别用不同的维度进行特征表示。
[0010]根据上述技术方案的一方面，在将所述门级网表的图数据导入至预设的图神经网络模型中，以作为所述图神经网络模型的输入层的步骤之前，所述方法还包括：建立一图神经网络模型，以通过所述图神经网络模型对所述门级电路进行识别。
[0011]根据上述技术方案的一方面，建立一图神经网络模型，以通过所述图神经网络模型对所述门级电路进行识别的步骤，具体包括：在每一节点生成计算图时，从所述无向图中提取围绕所述节点的子图；其中，所述子图的所有节点均围绕节点的L
‑
hop邻域内的节点采样得到；确定一目标节点，在所述目标节点的生成嵌入时，将所述子图输入到GNNS模型中，以使GNNS模型的学习与推理均基于所述子图进行，得到所述图神经网络模型。
[0012]根据上述技术方案的一方面，对所述图神经网络模型进行训练的步骤，包括：提供初始GNNS模型M，获取所述无向图，确定标签Y与子图提取器L
‑
hop；通过所述子图提取器提取子图；将所述子图作为初始GNNS模型M的输入层进行前向传播，输出预测值P；将所述预测值P与标签Y进行损伤函数求解L(P,Y)，得到损失loss；根据所述损失loss进行反向传播以对初始GNNS模型M的参数进行更新得到最终的图神经网络模型。
[0013]根据上述技术方案的一方面，采用所述图神经网络模型进行推理的步骤，包括：提供训练后的图神经网络模型，获取所述门级电路的门级网表N，并确定子图提取器L
‑
hop；将所述门级网表N转换成无向图，为所述门级电路中每个节点赋予其对应的初始特征；通过所述子图提取器L
‑
hop为每一个节点提取子图；将所述子图输入到所述图神经网络模型中进行节点嵌入和池化操作，生成最终嵌入标识；
将所述最终嵌入标识输入到分类层中进行节点分类。
[0014]本专利技术的第二方面在于提供一种门级电路组件识别系统，所述系统包括：数据获取模块，用于获取一待识别的门级电路的电路数据，将所述门级电路的门级网表转换至图数据，并为所述门级电路中每个节点赋予其对应的初始特征；数据导入模块，用于将所述门级网表的图数据导入至预设的图神经网络模型中，以作为所述图神经网络模型的输入层；节点分类模块，用于通过所述图神经网络模型对所述门级网表的图数据中每个节点进行分类，输出所述门级网表的图数据的分类结果；电路识别模块，用于根据所述分类结果，基于所述图数据中每个节点的类别识别所述门级网表中每个节点所属的组件类别。
[0015]本专利技术的第三方面在于提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述技术方案当中所述方法的步骤。
[0016]本专利技术的第四方面在于提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案当中所述方法的步骤。
[0017]采用本专利技术所示的门级电路组件识别方法、系统、存储介质及设备，有益效果在于：通过提取门级电路的门级网表，在将门级网表到图的转换过程中，为每个门（节点）赋予初始特征，而该特征的赋予情况将直接影响后续模型的训练和推理过程。相比与现有的方法，本实施例提出的方法能尽可能地保留电路的信息，保障后续模型的学习。在模型的建立方面，本实施例当中考虑了电路数据的特殊性，更加关注当前节点的局部信息。并且为图中的目标节点进行子图提取，在子图上建立深层的GNNS模型，这样既避免了深层GNNS训练过程中过平滑现象导致的识别精度下降，又避免了邻居爆炸现象导致的计算量巨大的问题。经过对电路数据进行验证，相比于现有的电路识别方法，本实施例当中提出的方法实现了目前最优的识别精度，且训练时间减少，同时具有良好的扩展性，可以有效扩展到大规模电路。
附图说明
[0018]本专利技术的上述与/或附加的方面与优点从结合下面附图对实施例的描述中将变得明显与容易理解，其中：图1为本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种门级电路组件识别方法，其特征在于，所述方法包括：获取一待识别的门级电路的电路数据，将所述门级电路的门级网表转换至图数据，并为所述门级电路中每个节点赋予其对应的初始特征；将所述门级网表的图数据导入至预设的图神经网络模型中，以作为所述图神经网络模型的输入层；通过所述图神经网络模型对所述门级网表的图数据中每个节点进行分类，输出所述门级网表的图数据的分类结果；根据所述分类结果，基于所述图数据中每个节点的类别识别所述门级网表中每个节点所属的组件类别。2.根据权利要求1所述的门级电路组件识别方法，其特征在于，获取一待识别的门级电路的电路数据，将所述门级电路的门级网表转换至图数据，并为所述门级电路中每个节点赋予其对应的初始特征的步骤，具体包括：将所述门级电路的门级网表表征成无向图；其中，为节点集合，长度为n，是连接节点的边集合；为每个节点赋予一初始的特征向量，其中，长度为k，为包含节点特征的二维矩阵；其中每一初始特征均包括电路图的有向图结构信息与功能信息。3.根据权利要求2所述的门级电路组件识别方法，其特征在于，为每个节点赋予一初始的特征向量的步骤，具体包括：根据所述无向图，获取每一节点的端口信息、结构信息、入度门信息、出度门信息与自身门信息；将所述节点的入度门信息、出度门信息与自身门信息进行区分，分别用不同的维度进行特征表示。4.根据权利要求3所述的门级电路组件识别方法，其特征在于，在将所述门级网表的图数据导入至预设的图神经网络模型中，以作为所述图神经网络模型的输入层的步骤之前，所述方法还包括：建立一图神经网络模型，以通过所述图神经网络模型对所述门级电路进行识别。5.根据权利要求4所述的门级电路组件识别方法，其特征在于，建立一图神经网络模型，以通过所述图神经网络模型对所述门级电路进行识别的步骤，具体包括：在每一节点生成计算图时，从所述无向图中提取围绕所述节点的子图；其中，所述子图的所有节点均围绕节点的L
‑
hop邻域内的节点采样得到；确定一目标节点，在所述目标节点的生成嵌入时，将所述子图输入到GNNS模型中，以使GNNS模型的学习与推理均基于所述子图进行，得到所述图神经网络模型。6.根据权利要...

【专利技术属性】
技术研发人员：王玉皞，汤湘波，彭鑫，刘智毅，魏佳妤，熊尉钧，杨越涛，曹进清，
申请(专利权)人：南昌大学，
类型：发明
国别省市：