[發(fā)明專利]一種基于語義理解的深度學(xué)習(xí)硬件木馬檢測方法

有效

• 申請?zhí)枺?/td>: 202110739931.3
• 申請日: 2021-06-30
• 公開（公告）號(hào): CN113486347B
• 公開（公告）日: 2023-07-14
• 發(fā)明（設(shè)計(jì)）人: 董晨;許熠;黃檳鴻;劉西蒙
• 申請（專利權(quán)）人: 福州大學(xué)
• 主分類號(hào): G06F21/56
• 分類號(hào): G06F21/56;G06F40/211;G06F40/284;G06F40/30;G06N3/0464;G06N3/08
• 代理公司: 福州元?jiǎng)?chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 陳明鑫;蔡學(xué)俊

1.一種基于語義理解的深度學(xué)習(xí)硬件木馬檢測方法，其特征在于：包括如下步驟：

步驟S1：首先對芯片網(wǎng)表文件進(jìn)行預(yù)處理，提取任意一個(gè)輸入端口線網(wǎng)X_iport和輸出端口線網(wǎng)X_oport來組成所有可能的路徑對[X_iport,X_oport]；接著在這些路徑對上尋找所有存在的簡單路徑T_spath，并生成對應(yīng)句子f_spath，再打上硬件木馬標(biāo)簽構(gòu)成帶標(biāo)簽的句子數(shù)據(jù)集；

步驟S2：把步驟S1中生成到的句子數(shù)據(jù)集進(jìn)行組件類型名的去重清洗，并用word2vec完成詞庫訓(xùn)練，得到預(yù)訓(xùn)練好的詞向量WV_pre；

步驟S3：來自步驟S1的句子數(shù)據(jù)集和來自步驟S2的詞向量WV_pre共同作為材料放入TextCNN的輸入層中，經(jīng)過靜動(dòng)態(tài)相結(jié)合的詞向量矩陣訓(xùn)練得到硬件木馬的檢測結(jié)果；

所述步驟S1具體包括以下步驟：

步驟S11：從網(wǎng)表中獲取組件N(N₁,N₂,N₃,…,N_l)和線網(wǎng)S(S₁,S₂,S₃,…,S_k)的信息，并定義任意一個(gè)組件N_i中的入線網(wǎng)信息X_ii和出線網(wǎng)信息X_io；

步驟S12：以每個(gè)組件N(N₁,N₂,N₃,…,N_l)為節(jié)點(diǎn)V和以每個(gè)線網(wǎng)S(S₁,S₂,S₃,…,S_k)為邊E，并根據(jù)每個(gè)組件中的輸入輸出線網(wǎng)關(guān)系N_i[X_ii,X_io]，運(yùn)用深度優(yōu)先搜索算法構(gòu)建整個(gè)網(wǎng)表電路的拓?fù)浣Y(jié)構(gòu)G＝(V,E)；根據(jù)電路的信號(hào)傳遞法則追蹤各組件之間的連接關(guān)系，信號(hào)傳遞法則公式如下：

其中，N_i中的某個(gè)出線網(wǎng)標(biāo)識(shí)符與N_j中的某個(gè)入線網(wǎng)標(biāo)識(shí)符一致的話，則表明電路信號(hào)能夠從組件N_i傳遞到組件N_j；

步驟S13：對所有的組件N(N₁,N₂,N₃,…,N_l)中的入線網(wǎng)X_i和出線網(wǎng)X_o進(jìn)行起始點(diǎn)集合S_path和終止點(diǎn)集合F_path的分類，以此來確定所有的路徑對組[X_iport,X_oport]；集合分類遵循以下公式：

其中，X_ii和X_io分別代表組件集合中任意一個(gè)組件N_i的入線網(wǎng)和出線網(wǎng)；

步驟S14：在已經(jīng)建立好的電路拓?fù)浠A(chǔ)上，運(yùn)用簡單路徑算法對所有的路徑對組合[X_iport,X_oport]搜索出所有可能的簡單路徑T_spath；路徑生成的方法從組件角度的判斷公式如下：

Path:f_s^v(N_i)＝N_j(N_i≠N_j)

其中，v表示函數(shù)f_s的迭代次數(shù)；那么上述公式的定義，組件N_i為起點(diǎn)經(jīng)過v次的信號(hào)傳遞函數(shù)的迭代作用下形成了通向N_j為終點(diǎn)的路徑，并約束起點(diǎn)和終點(diǎn)不是同一個(gè)邏輯門即不是同一個(gè)節(jié)點(diǎn)；

接著對于上述搜索到的路徑進(jìn)行進(jìn)一步的簡單路徑判斷，判定公式如下：

其中，f_sp表示為簡單路徑函數(shù)；根據(jù)上述公式，任意個(gè)經(jīng)過a次信號(hào)傳遞后的節(jié)點(diǎn)都不與除a次以外的任意個(gè)經(jīng)過b次信號(hào)傳遞后的節(jié)點(diǎn)相同，則這樣傳遞后形成的路徑為簡單路徑T_spath；

步驟S15：對步驟S14中搜索并判斷好的簡單路徑T_spath里所經(jīng)過的電路組件都直接以組件類型名形式表示出來，形成了一個(gè)個(gè)簡單路徑句子f_spath進(jìn)而構(gòu)成一個(gè)完整的句子數(shù)據(jù)集；

步驟S16：對所有的句子數(shù)據(jù)集根據(jù)是否有經(jīng)過硬件木馬組件來標(biāo)注標(biāo)簽，并規(guī)定有木馬的句子標(biāo)簽為正樣本，無木馬的句子標(biāo)簽為負(fù)樣本，這樣得到了帶標(biāo)簽的句子數(shù)據(jù)集；

所述步驟S3具體包括以下步驟：

步驟S31：在TextCNN的輸入層依次放入步驟S1句子數(shù)據(jù)集，同時(shí)把步驟S2中預(yù)訓(xùn)練好的詞向量WV_pre作為靜態(tài)詞向量矩陣WVM_S和動(dòng)態(tài)詞向量矩陣WVM_D的初始化張量；其中，靜態(tài)詞向量矩陣WVM_S不參與TextCNN的迭代更新，而動(dòng)態(tài)詞向量矩陣WVM_D則為相反；

步驟S32：在一維卷積層中，選用大小分別為3、4和5的卷積核對輸入層中的張量進(jìn)行特征計(jì)算；在卷積核與卷積核同等大小的卷積層局部范圍內(nèi)，進(jìn)行兩者的矩陣上同一位置的相乘后再相加的結(jié)果就是特征計(jì)算，并以滑動(dòng)窗口式的掃描計(jì)算形成一串串輸出通道；

步驟S33：把步驟S32中的輸出通道利用最大池化層挑選出對檢測木馬句子為最大值的特征，并將這些輸出通道的最大值特征接在一起；

步驟S34：最后的全連接層依靠一個(gè)線性函數(shù)收束所有的這些最大值特征,并在輸出層得出句子是否包含木馬類型名的結(jié)果。