[发明专利]一种基于语义理解的深度学习硬件木马检测方法

说明书

本发明涉及一种基于语义理解的深度学习硬件木马检测方法，包括如下步骤：步骤S1：首先对芯片网表文件进行预处理，提取任意一个输入端口线网Xsubgt;iport/subgt;和输出端口线网Xsubgt;oport/subgt;来组成所有可能的路径对[Xsubgt;iport/subgt;,Xsubgt;oport/subgt;]；接着在这些路径对上寻找所有存在的简单路径Tsubgt;spath/subgt;，并生成对应句子fsubgt;spath/subgt;，再打上硬件木马标签构成带标签的句子数据集；步骤S2：把步骤S1中生成到的句子数据集进行组件类型名的去重清洗，并用word2vec完成词库训练，得到预训练好的词向量WVsubgt;pre/subgt;；步骤S3：来自步骤S1的句子数据集和来自步骤S2的词向量WVsubgt;pre/subgt;共同作为材料放入TextCNN(文本卷积神经网络)的输入层中，经过静动态相结合的词向量矩阵训练得到硬件木马的检测结果。

技术领域

本发明涉及木马检测领域，特别是一种基于语义理解的深度学习硬件木马检测方法。

背景技术

随着以第四次工业革命为标准的智能化时代到来，集成电路(IC)的使用和投资都在年年上涨。在美国的半导体协会(SIA)的报告中指出，接下来的未来十年中，全世界关于芯片的投资将超过3万亿美元。而如今，芯片的产业链已经存在许多第三方设计和制造厂家参与。这样的现象使得在外包厂商中一旦存在恶意的攻击者往芯片里植入硬件木马，将会给芯片的使用带来不小的隐患和破坏。

芯片受硬件木马攻击的渠道主要来源于设计阶段和制造阶段，其中设计阶段的攻击面比之于制造阶段多，包括电子设计自动化工具(EDA)、知识产权(IP)核构建、门级网表这些内容上植入硬件木马。只要设计厂商内部存在着恶意的员工或者设计师，是很容易从这些攻击渠道下手发起硬件木马攻击。

目前在硬件木马的检测工作上主要存在以下四种技术：1.侧信道检测，通过测量电路中诸如电流、电压、功率、路径延迟和温度等侧信道与“金片”对比后产生的冗余信息来检测硬件木马。2.逆向工程，对成品芯片进行逐层扫描得到图像信息并破坏芯片，同样施行“金片”对比检测来发现硬件木马。3.逻辑测试，在集成电路仿真阶段输入测试向量来试图激活攻击条件以考察硬件木马的存在。4.结合了机器学习(ML)的静态检测，对芯片的设计文件(即网表)进行人工提取特征，把计算好的特征值运用机器学习算法训练分类器来识别硬件木马。

然而以上前三种技术仅能在检测性能上会受到外部因素的制约，如需要高精度的专业仪器，或者检测过程会对待测芯片造成不可逆的损害，又或者是要计算所有可能的输入面临着庞大的开销。更重要的是，它们的往往仅适用于小规模的电路。而静态检测在现有的技术中几乎都依赖人工的特征提取，提取的过程不仅困难且往往需求多个特征的判断，又受制于稀少的硬件木马信息。这些因素都会导致训练得到的分类器在性能上难以稳定。

考虑到上述针对这些硬件木马检测技术的不足，亟需涉及一种基于语义理解的TextCNN检测硬件木马方法。

发明内容

有鉴于此，本发明的目的是提供一种基于语义理解的深度学习硬件木马检测方法，该检测方法不仅可以有效地检测出硬件木马，还能保证分类器的性能稳定。

本发明采用以下方案实现：一种基于语义理解的深度学习硬件木马检测方法，包括如下步骤：

步骤S1：首先对芯片网表文件进行预处理，提取任意一个输入端口线网X_iport和输出端口线网X_oport来组成所有可能的路径对[X_iport,X_oport]；接着在这些路径对上寻找所有存在的简单路径T_spath，并生成对应句子f_spath，再打上硬件木马标签构成带标签的句子数据集；

步骤S2：把步骤S1中生成到的句子数据集进行组件类型名的去重清洗，并用word2vec完成词库训练，得到预训练好的词向量WV_pre；