本发明专利技术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。本发明专利技术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。本发明专利技术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。了算法的速度和普适性。了算法的速度和普适性。
【技术实现步骤摘要】
一种基于图神经网络的高效状态寄存器识别方法
[0001]本专利技术属于硬件安全
，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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]通过上述分析，现有技术存在的问题及缺陷为：
[0007](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。
[0008](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。
[0009]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。本专利技术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。
技术实现思路
[0010]针对现有技术存在的问题，本专利技术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。
[0011]本专利技术是这样实现的，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：
[0012]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。
[0013]进一步，所述基于图神经网络的高效状态寄存器识别方法包括以下步骤：
[0014]步骤一，对电路网表进行整合和映射，规范输入电路网表的结构，消除工艺库不同导致的网表器件差异；
[0015]步骤二，以电路网表中各种门和寄存器为节点，以节点的连接关系为边，建立有向图；以寄存器节点为起点对有向图进行划分，提取子图的节点和边特征作为图神经网络的训练集；
[0016]步骤三，采用图神经网络GNN算法中的图注意力自动编码器网络GATE作为无监督模型进行训练，根据训练结果优化模型，得到最佳模型；
[0017]步骤四，使用最佳模型对待测电路进行测试，采用聚类算法对输出结果进行分类，得到状态寄存器；根据分类结果计算准确度，评估测试结果。
[0018]进一步，步骤一中，电路网表的整合指将顶层模块下的多个子网表合并成一个整体网表，并保持网表内与网表间各节点之间的连接关系；遍历网表中的所有模块，根据模块之间的例化信息对各个模块进行整合，修改子模块内的器件的例化名称防止节点名重复。网表的整合有利于网表信息的提取，对于多模块的网表，转换后是多个不相连图结构，这会导致分析时遗漏器件在模块间的连接关系，而整合后网表转化的图结构则包含全部信息。
[0019]电路网表的映射指忽略器件的工艺特性，保留器件的功能属性，将不同工艺库的网表映射为统一形式，优化机器学习的数据集。对于不同工艺下的网表，用脚本提取其工艺库的信息并保存下来。以此修改网表中其各个器件的器件类型，将其转变为统一的、与工艺特性无关的、只保留功能属性的形式。如smic13工艺库下的器件“AND2HD1X”为2输入与门，其中“HD1X”为其工艺特性，将此工艺下的网表中的所有“AND2HD1X”映射为“AND2”，即消除了工艺特性，其他工艺库下的器件种类同理。网表映射对优化数据集十分重要，由于考虑到工艺特性，原网表中包含大量功能相同但名称不同的器件类型，这会导致机器学习的数据集的参数爆炸，降低算法效率。且网表映射也消除了不同工艺下网表的差异，增加了算法的可拓展性。
[0020]进一步，步骤一是状态寄存器识别方法的准备工作，将多模块的电路网表整合为一个模块，有利于图结构的转化；映射消除工艺库的不同带来的影响，既缩减了特征防止训练时参数爆炸，又为模型的可拓展性打下基础。
[0021]进一步，步骤二中，将电路网表转换为非欧几里得图结构，其中节点为网表中的寄存器或其他器件，边为器件之间的连接关系。遍历步骤一整合映射后的网表，以网表中每个
器件的器件名为节点，以节点之间的连接关系为边，以器件类型转换的独热码作为节点特征，通过有向图结构来抽象网表的全部信息。
[0022]子图划分以寄存器为起点，搜寻其n级扇入内的所有非寄存器节点。本专利技术使用基于有向图的路径结构扩展算法，该算法通过执行广度优先搜索来找到寄存器的路径结构，进而划分子图。划分后的子图包含了该寄存器的n级扇入结构以及每个扇入门的器件类型，可以表示出寄存器的结构特性，以此作为图神经网络的数据集进行模型训练。
[0023]进一步，步骤二是图神经网络的前提，将网表转化为有向图结构，进行子图的划分与特征的提取，为后续模型训练提供数据集。
[0024]进一步，步骤三中，采用图注意力自动编码器网络(GATE)进行图神经网络(GNN)模型的训练。GATE将GNN与自动编码器结合起来，其模型训练分为编码和解码两个过程：
[0025]在编码阶段，使用门嵌入过程和堆叠本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一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，其特征在于，所述基于图神经网络的高效状态寄存器识别方法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。2.如权利要求1所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，所述基于图神经网络的高效状态寄存器识别方法包括以下步骤：步骤一，对电路网表进行整合和映射，规范输入电路网表的结构，消除工艺库不同导致的网表器件差异；步骤二，以电路网表中各种门和寄存器为节点，以节点的连接关系为边，建立有向图；以寄存器节点为起点对有向图进行划分，提取子图的节点和边特征作为图神经网络的训练集；步骤三，采用图神经网络GNN算法中的图注意力自动编码器网络GATE作为无监督模型进行训练，根据训练结果优化模型，得到最佳模型；步骤四，使用最佳模型对待测电路进行测试，采用聚类算法对输出结果进行分类，得到状态寄存器；根据分类结果计算准确度，评估测试结果。3.如权利要求2所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，步骤一中，所述电路网表的整合指将顶层模块下的多个子网表合并成一个整体网表，并保持网表内与网表间各节点之间的连接关系；所述电路网表的映射指忽略器件的工艺特性，保留器件的功能属性，将不同工艺库的网表映射为统一形式，优化机器学习的数据集。4.如权利要求2所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，步骤二中，将电路网表转换为非欧几里得图结构，其中节点为网表中的寄存器或其他器件，边为器件之间的连接关系；所述子图划分以寄存器为起点，搜寻其n级扇入内的所有非寄存器节点；以划分后的子图作为图神经网络的输入，以器件种类转化的独热码作为节点特征。5.如权利要求2所述的基于图神经网络的高效状态寄存器识别方法，其特征在于，步骤三中，采用图注意力自动编码器网络GATE建立进行图神经网络GNN模型的训练；GATE将GNN与自动编码器结合起来，所述模型训练分为编码和解码两个过程：在编码阶段，使用门嵌入过程和堆叠的图注意网络GAT对图进行编码，每个编码层根据节点的相关性，建立邻接矩阵与注意力系数矩阵，并以图卷积的方式聚合与更新每一层的节点特征；编码阶段更新节点特征的过程涉及两个子函数，计算相关性系数的函数与生成节点表示的函数，如下所示：节点表示的函数，如下所示：
在解码阶段，解码器使用与编码器相同数量的层与相同类别的激活函数，每个解码层使用图卷积的方式更新相邻节点的特征，对编码器输出层的结果进行反向恢复，重构有向图；解码阶段更新节点特征的方式...
【专利技术属性】
技术研发人员：潘伟涛，高一鸣，董勐，
申请(专利权)人：西安电子科技大学，
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。