[发明专利]一种基于图神经网络的高效状态寄存器识别方法

说明书

本发明属于硬件安全技术领域，公开了一种基于图神经网络的高效状态寄存器识别方法，所述基于图神经网络的高效状态寄存器识别方法包括：对电路网表进行整合处理和映射，并将处理后网表建模为有向图结构；以寄存器节点为起点进行子图划分，提取节点特征与边特征，作为图神经网络的训练集；采用图注意力自动编码器网络GATE作为无监督模型，得到最佳训练模型；使用聚类算法对模型输出结果进行分类，并根据分类结果计算准确度。本发明创新性的将传统逆向工程的算法与图神经网络相结合，在保证了识别准确度的前提下极大的提升了效率。本发明创造性的用图神经网络获取寄存器的图结构特征，代替传统算法求解PSS的复杂过程，极大的提升了算法的速度和普适性。

技术领域

本发明属于硬件安全技术领域，尤其涉及一种基于图神经网络的高效状态寄存器识别方法、系统、计算机设备及终端。

背景技术

目前，硬件木马是某些攻击者在芯片制造时故意插入在正常电路中的额外电路，用于秘密泄露信息、增加电路功耗、干扰或破坏电路正常功能。门级网表逆向工程对硬件特洛伊木马检测和设计盗版抵制极为重要，其主要任务是将控制寄存器和数据寄存器从网表中分离出来，提取控制信号并恢复有限状态机，从而判断设计中的控制逻辑是否在生成网表时被篡改。

目前已有的门级网表逆向工程算法可以分为两类：控制寄存器的隔离和数据寄存器的聚合。逆向工程逻辑识别和分类算法(RELIC)是控制寄存器隔离方法之一，根据电路结构的相似性识别控制信号。RELIC根据扇入结构的相似性和输入门的类型，对每两个寄存器计算[0，1]范围内的匹配相似性分数(PSS)，最后根据PSS对寄存器进行分类。快速逆向工程逻辑识别和分类算法(fastRELIC)从两个方面改进了RELIC，在计算PSS时同时考虑原信号与逆信号，强化对结构相似度的识别能力；在分类时引入聚类思想，提升分类效率。

但是，现有算法通过计算网表中的每两个寄存器之间的PSS来评估寄存器结构的相似性，其时间复杂度正比于寄存器数量的平方。这导致对于规模较大、寄存器较多的网表，现有算法的效率很低。现有算法的可拓展性和普适性很差。每个网表的计算结果都是独立的，相互之间没有联系，无法根据已有的测试结果去简化其他网表的分析流程。这点也限制了现有算法的效率。

综上所述，亟需设计一种新的基于图神经网络的高效状态寄存器识别方法及系统，以弥补现有技术存在的缺陷。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有算法通过计算网表中的每两个寄存器之间的PSS来评估寄存器结构的相似性，其时间复杂度正比于寄存器数量的平方，这导致对于规模较大、寄存器较多的网表，现有算法的效率很低。

(2)现有算法的可拓展性和普适性很差。每个网表的计算结果都是独立的，相互之间没有联系，无法根据已有的测试结果去简化其他网表的分析流程，这点也限制了现有算法的效率。

解决以上问题及缺陷的难度和意义为：现有算法的缺陷导致逆向工程技术难以在大规模和超大设计使用，其时间代价是难以接受的，且当设计修改后，需要重新计算网表中所有寄存器节点之间的PSS。本发明提出了一种基于图神经网络的状态寄存器识别方法。一方面，使用神经网络进行识别，单次测试的速度得到了提升；另一方面，根据已有测试例生成的模型也可以用于其他网表的测试，算法有着很高普适性。

发明内容

针对现有技术存在的问题，本发明提供了一种基于图神经网络基于图神经网络的高效状态寄存器识别方法，尤其涉及一种基于图神经网络的高效状态寄存器识别方法、系统、计算机设备及终端。

本发明是这样实现的，一种基于图神经网络的高效状态寄存器识别方法，所述基于图神经网络的高效状态寄存器识别方法包括：