[发明专利]基于Bagging的硬件木马检测方法、介质、计算机

权利要求书

1.一种基于Bagging的硬件木马检测方法，其特征在于，所述基于Bagging的硬件木马检测方法，包括以下步骤：

步骤一，从基于Verilog的门级网表文件中，提取硬件木马电路的有效特征矩阵；

步骤二，使用SMOTH技术对特征数据集进行预处理，从而平衡木马电路特征和普通电路特征的数量；

步骤三，利用LSTM神经网络模型建立基于Bagging集成方法的检测模型；

步骤四，使用构建好的Bagging集成木马检测模型对门级网表进行检测。

2.如权利要求1所述基于Bagging的硬件木马检测方法，其特征在于，所述步骤一中，提取硬件木马电路的有效特征矩阵具体过程为：根据电路网表结构将电路转换成有向图格式，并根据电路逻辑门和寄存器类别，对有向图顶点进行功能分类；对每个有向图顶点进行双向遍历提取特征矩阵。

3.如权利要求1所述基于Bagging的硬件木马检测方法，其特征在于，所述步骤二中，具体过程为：

使用SMOTH技术对特征数据集进行预处理，从而平衡木马电路特征和普通电路特征的数量；

对每个木马电路特征矩阵X，以欧式距离为标准计算每个木马电路特征矩阵X到其他木马电路特征矩阵X_i的距离，得到其k近邻；

根据木马电路特征矩阵和正常电路特征矩阵数量不平衡比例设置一个采样比例。

4.如权利要求3所述基于Bagging的硬件木马检测方法，其特征在于，所述对于每一个木马电路特征矩阵X，从其k近邻中随机选择若干个木马电路特征矩阵X_n。

5.如权利要求4所述基于Bagging的硬件木马检测方法，其特征在于，所述对每个随机选出的近邻X_n，分别与原木马电路特征矩阵X进行如下计算，得到新的近似木马特征矩阵：

X_new＝X+rand(0，1)×(X_n-X)。

6.如权利要求1所述基于Bagging的硬件木马检测方法，其特征在于，所述步骤三中，利用LSTM神经网络模型建立基于Bagging集成方法的检测模型，具体过程为：

构建6个LSTM模型，建立Bagging集成模型框架，构建求和决策树的方案进行木马分类。

7.如权利要求6所述基于Bagging的硬件木马检测方法，其特征在于，所述构建6个LSTM模型，具体过程为：

将数据集分为训练集和测试集，从训练集中有放回的抽取出训练子集，训练子集大小设置为训练集的三分之一，数量为6个；每个训练子集训练一个LSTM模型，一共得到6个LSTM模型，将6个LSTM模型集成为Bagging模型；

将整个训练集输入到已经训练好的Bagging模型中，得到6组概率输出；将6组概率输出求和，并作为决策树的训练集，对决策树进行训练；最终得到完整的木马检测模型。

8.如权利要求1所述基于Bagging的硬件木马检测方法，其特征在于，所述步骤四中，使用构建好的Bagging集成木马检测模型对门级网表进行检测，具体过程为：

结果为1，该节点被视为木马电路的一部分；结果为0，该节点被视为普通电路。

9.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～8任意一项所述基于Bagging的硬件木马检测方法，包括下列步骤：

步骤一，从基于Verilog的门级网表文件中，提取硬件木马电路的有效特征矩阵；

步骤二，使用SMOTH技术对特征数据集进行预处理，从而平衡木马电路特征和普通电路特征的数量；

步骤三，利用LSTM神经网络模型建立基于Bagging集成方法的检测模型；

步骤四，使用构建好的Bagging集成木马检测模型对门级网表进行检测。

10.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～8任意一项所述的基于Bagging的硬件木马检测方法。