[发明专利]一种基于双向图卷积神经网络的硬件木马检测方法与系统

权利要求书

1.一种基于双向图卷积神经网络的硬件木马检测方法，其特征在于，包括以下步骤：

步骤A、对收集的网表文件进行预处理，收集网表中的门器件集合V，并生成器件间连接边集合E，创建对应的有向图表示G＝(V,E)，并对门器件信息进行编码作为特征表示X，同时对每个门器件标注硬件木马标签Y，构建电路有向图数据；

步骤B、基于步骤A构建的电路有向图G，分别创建用于描述电路信号传播结构的正向电路图G^FW和用于描述电路信号分散结构的反向电路图G^BW，并分别构造对应的图神经网络特征提取器提取正向图G^FW和反向图G^BW的特征，组合为最终的门器件特征H^C；

步骤C、构造多层感知机分类模型，与步骤B中构造的图神经网络特征提取器构成硬件木马门分类模型，将图神经网络特征提取器的输出特征H^C作为多层感知机模型的输入进行训练，计算每个门器件属于正常门器件和木马门器件的概率，并使用加权交叉熵损失函数来学习硬件木马门分类模型的参数，当达到最大迭代次数，则终止模型的训练，得到训练好的硬件木马门分类模型；

步骤D、将待检测的网表转换为有向图，输入到训练好的硬件木马门分类模型中进行检测，输出可疑的门器件列表。

2.根据权利要求1所述的一种基于双向图卷积神经网络的硬件木马检测方法，其特征在于，所述步骤A具体包括以下步骤：

步骤A1、收集所有网表中的门器件类型，形成门器件类型库；

步骤A2、从网表中获取门器件集合V＝{v₀,v₁,...,v_n-1}和线网集合W＝{w₀,w₁,...,w_h}，并定义任意一个门器件v_i的输入输出线网信息R_i＝(w_ij,w_ik)；

步骤A3、以门器件集合V作为顶点集，根据每个门器件的输入输出线网信息R_i，使用深度优先搜索算法收集与主输入和主输出线网连接的门器件，保存为对应集合S_MI,S_MO，收集具有SI、SE、SN和RN类型的端口的门器件，分别保存为对应集合S_SI,S_SE,S_SN,S_RN，同时构建边集E＝{e_st|s,t＝0,1,...,n-1}来表示逻辑门间的连接关系，如果逻辑门v_s的输出端口连接到逻辑门v_t的输入端口，则存在边e_st∈E；

步骤A4、用有向图G＝(V,E)表示网表的电路拓扑结构，进一步将图表示转换为邻接矩阵A，如果边e_st存在于边集E中，则邻接矩阵中的对应元素a_st＝1，否则为0；

步骤A5、根据门器件类型库，对门器件的类型进行One-Hot编码，作为门器件节点的初始特征；根据门器件集合S_SI,S_SE,S_SN,S_RN对门器件的端口信息进行编码，若门器件包含SI、SE、SN和RN类型的端口，则在对应特征位上编码为1，否则为0；若门器件连接主输入或主输出，即门器件在对应集合S_MI,S_MO中，则在对应特征位上编码为1，否则为0；最终以65位的One-Hot编码、4位特殊端口信息编码和2位主输入输出编码组合为71位的表示向量作为门器件的特征表示X＝{x₀,x₁,...,x_n-1}；

步骤A6、解析网表中的木马网表段，对相应的木马逻辑门标注木马标签，正常门器件标注为正常标签，形成标签信息Y；由有向图结构表示G＝(V,E)，门器件特征表示X和标签信息Y构成电路有向图数据。