【技术实现步骤摘要】
基于图神经网络的RTL级硬件木马检测方法及存储介质
[0001]本专利技术涉及硬件安全领域，具体涉及一种基于图神经网络的RTL级硬件木马检测方法及存储介质。
技术介绍
[0002]现如今集成电路(Integrated Circuit,IC)已经在各行各业中广泛地应用，IC的设计过程也变得更加复杂。在IC设计中，为了降低研发成本及缩短研发周期，提高设计效率，满足芯片的上市时间要求，通常会使用第三方IP、第三方EDA工具，或者将产品设计流程中的一部分如DFT、布局布线等外包给第三方的硬件设计公司。然而，第三方IP的设计、生产、制造等过程对使用者来说通常是不可见的，因此其可能包含有恶意逻辑，即所谓的硬件木马(Hardware Trojan,HT)。第三方设计公司在进行外包业务时，也可能将硬件木马插入到原有电路中。由于集成电路在军事系统、关键基础设施、医疗设备等领域的广泛应用,硬件木马引发的安全事故是非常致命的。
[0003]硬件木马检测是处理由硬件木马所引起的安全威胁的最直接、最常用的方式，它旨在验证所设计或制造的IC是否...
【技术保护点】
【技术特征摘要】
1.一种基于图神经网络的RTL级硬件木马检测方法，其特征在于，包括：S1，获取待层次化的待测RTL代码以及由多个RTL代码组成的训练集，并对训练集中的多个RTL代码按照层次进行展平化；S2，对训练集中展平化的RTL代码进行代码解析，从解析结果中提取出抽象语法树，并从所述抽象语法树中提取出电路信号的数据流，将所有电路信号的数据流合并为一个数据流图，将所述数据流图以稀疏矩阵的形式进行存储；S3，对所述数据流图进行分析，遍历数据流图中的所有节点，并基于节点的类型和节点在数据流图中的邻域关系提取所述节点的图结构特征，所述图结构特征用于创建节点特征向量；S4，构建图神经网络，所述图神经网络通过对数据流图的邻接矩阵、节点的特征矩阵和自身的权重矩阵进行计算，来对数据流图的节点进行邻域节点的信息聚合，将不同节点之间的关系进行有效的表达；所述图神经网络用于根据训练集执行硬件木马检测训练的过程；S5，用提取到的图结构特征对所述图神经网络进行多轮训练，得到训练好的图神经网络；通过图神经网络的训练，图神经网络中的分类器获取到预测结果，根据预测结果计算损失，并按照损失进行反向传播，更新图神经网络的权重矩阵，从而提升图神经网络检测硬件木马节点的能力；S6，将所述待测RTL代码多次输入至所述训练好的图神经网络中，得到检测结果，并将检测结果反标回所述待测RTL代码中，从而得到可能包含硬件木马逻辑的代码块。2.根据权利要求1所述的一种基于图神经网络的RTL级硬件木马检测方法，其特征在于，S1包括：S11，获取多个携带硬件木马逻辑的设计文件，将设计文件的RTL代码组成训练集；S12，获取待测试的所有设计文件，将设计文件的RTL代码作为待测RTL代码；S13，使用python脚本遍历训练集中的所有待测RTL代码，对不同模块之间的例化关系进行记录，按照自顶向下的层次关系将各模块展平到TopModule下。3.根据权利要求1所述的一种基于图神经网络的RTL级硬件木马检测方法，其特征在于，S2包括：S21，构建语法解析器；S22，利用所述语法解析器对训练集中展平化的RTL代码的数据类型、运算操作、模块例化关系进行分析，提取出抽象语法树；S23，基于抽象语法树提取信号的数据流，并将所有数据流整合为一个整体的数据流图；S24，将所述数据流图以稀疏的邻接矩阵形式保存。4.根据权利要求1所述的一种基于图神经网络的RTL级硬件木马检测方法，其特征在于，S3中提取到的图结构特征包括：(a)独热码表示的节点类型，其维度由Verilog语法规定的运算操作和数据类型数量等决定；(b)进入和流出的邻居数；(c)节点到主输入的最短距离；
(d)节点到主输出的最短距离；(e)节点的中心中介性；(f)节点的调和中介性。5.根据权利要求1所述的一种基于图神经网络的RTL级硬件木马检测方法，其特征在...
【专利技术属性】
技术研发人员：史江义，张焱，刘鸿瑾，张绍林，王泽坤，温聪，尚格，
申请(专利权)人：北京轩宇空间科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。