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。

本发明公开一种基于工艺偏差修正和特征匹配的硬件木马侧信道检测方法，应用于硬件安全和集成电路领域。本发明提出了利用实测数据对功耗模型的电路节点特征进行学习，并对电路功耗轨迹进行预测，提出一种基于工艺偏差修正和特征匹配的硬件木马侧信道检测方法；并将硬件木马的判决机制与电路特征有机的结合在一起，对硬件木马进行判别。使用机器学习的最大相对误差值来衡量模型匹配度与纯净电路的最大相对误差值一起构造决策阈值。对超出门限范围的测试数据，认为硬件中含有硬件木马电路。

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。