申请/专利权人：西安电子科技大学

申请日：2021-11-30

公开（公告）日：2024-06-21

公开（公告）号：CN114239083B

主分类号：G06F21/71

分类号：G06F21/71;G06F18/24;G06N3/0455;G06N3/042;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.04.12#实质审查的生效;2022.03.25#公开

摘要：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。

主权项：1.一种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；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；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；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；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： eijk为第k个编码层中邻居节点i与j的相关性，Wk、Vsk、Vrk为第k个编码层中的训练参数，σ为激活函数，Sigmoid表示sigmoid函数，即Sigmoidx＝11+exp-x；αijk为eijk的归一化处理，从而使得节点i邻居节点的相关性系数具有可比性；hik为节点i在第k个编码层中的节点特征，通过聚合第k-1个编码层中节点i的全部相邻节点j的特征获得；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与编码节点相似，解码阶段相相关性系数的计算和生成节点表示的函数如下所示： 将重构图的特征与原图特征进行比对，二者越相似则说明模型越优，相似性可以通过损失函数表示，损失函数的计算方法如下： N为有向图节点总数，xi和分别为编码前与解码后的节点特征，λ为控制图结构重建损失的参数；使用梯度下降法不断更新模型参数，降低损失函数的值，得到最优化模型；步骤四中，所述采用聚类算法对输出结果进行分类，包括：将所有寄存器节点标记为候选寄存器节点CRN并放入候选组CG；执行几次迭代；在第i次迭代中，从CG中随机提取一个起始寄存器节点SRN，并将其放入一个空集SI中；计算SRN和CG中所有其他节点之间的特征差值FDV；FDV小于阈值T1的节点从CG中提取并放入SI，而其他节点保留在CG中；重复上述过程，直到CG中只有一个或没有CRN；分组后，计算每个组中的节点数；当该数目小于阈值T2时，组中的所有节点被分类为状态寄存器，否则被分类为数据寄存器。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种基于图神经网络的高效状态寄存器识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD