专利交易市场

一种基于图卷积神经网络的硬件木马检测与定位方法，基于图学习方法将电路结构转化为图结构，并在此过程中提取节点的基础结构特征；基于深度搜索策略与拓扑逻辑分析方法构建两个新特征Cov与Lfp以完善电路节点的特征信息；基于GCN聚合节点的邻居特征并更新自身节点特征信息以改善节点的局部感知与泛化能力；使用基于注意力机制的全局特征融合方法提取和更新图的全局特征，并与聚合邻居特征之后的节点特征向量进行融合；基于随机梯度下降思想并结合小批量过采样与欠采样方法平衡训练数据；使用多层感知机模型基于留一交叉验证法训练平衡处理后的数据，并对未知电路进行预测，识别电路中潜在的HTs节点。本发明实现对HTs的检测与定位。

本发明属于集成电路检测技术领域，针对现有环形振子木马检测技术的不足，公开并实现了一种基于环形振子的硬件木马检测优化技术。方法包括以下步骤：使用奇数与非门链代替反相器链实现环形振子；搭建以混合长度的环振子网络构成的环振网络为核心的检测电路，并添加到已知有无木马的载体电路上；使用串口控制，多次同时统计同一时间段的所有环振频率计数值构成二维数据集，并上传到PC；软件层面使用卷积神经网络处理二维数据，训练木马检测模型；测量待测电路数据，输入到卷积神经网络模型中得到检测结果。相对于传统环振检测方法，本发明从环振基础结构、环振网络、数据采集、数据处理四个方面进行优化，结合机器学习的函数拟合能力，显著提高了木马检测的灵敏度和准确度。

本发明属于硬件木马检测技术，致力于提出一种基于门级网表文件的硬件木马检测和剔除方法，使用基于密度的聚类算法，实现硬件木马的检测与剔除。方法包括如下步骤：提取门级网表并进行功能验证，获得电路所有节点的时序信号；将信号的相关性系数视为节点间边的权重，构造一个连通图；利用聚类算法对节点进行聚类分析，找到电路中的异常值点；对异常值点进行分析，进而确认电路是否植入了硬件木马，并将存在的硬件木马剔除。本发明利用聚类算法，找到电路中可疑的节点并直接进行判断，弥补了功能分析法检测硬件木马在时间成本上的不足，提高了硬件木马的检测效率；同时本发明还将木马结构作了剔除。