公开(公告)号：CN114065308B

公开(公告)日：2024-08-02

申请号：CN202111412498.9

申请日：2021-11-25

Applicant: 福州大学

Inventor： 董晨 ,  张媛媛 ,  许熠 ,  黄槟鸿 ,  黄小刚

IPC: G06F21/71 ,  G06F30/32 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种基于深度学习的门级硬件木马定位方法及系统，该方法首先获取七个公开门级网表文件，得到训练集和测试集；接着进行预处理，用深度优先搜索算法将网表文件转换成路径语句，完成路径生成；然后构造并训练用于检测和定位的TextCNN模型；将测试集的路径集合输入模型，得到预检测结果；对预检测结果进行路径划分和构造虚拟定位坐标，得到用于定位的短路径集合SL；最后将SL输入TextCNN模型，得到定位结果P。本发明实现快速有效的评估集成电路的安全性能并即使发现和瞄准威胁。

公开(公告)号：CN113486347B

公开(公告)日：2023-07-14

申请号：CN202110739931.3

申请日：2021-06-30

Applicant: 福州大学

Inventor： 董晨 ,  许熠 ,  黄槟鸿 ,  刘西蒙

IPC: G06F21/56 ,  G06F40/211 ,  G06F40/284 ,  G06F40/30 ,  G06N3/0464 ,  G06N3/08

Abstract: 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Xiport和输出端口线网Xoport来组成所有可能的路径对[Xiport,Xoport]；接着在这些路径对上寻找所有存在的简单路径Tspath，并生成对应句子fspath，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WVpre；步骤S3：来自步骤S1的句子数据集和来自步骤S2的词向量WVpre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。

公开(公告)号：CN114065308A

公开(公告)日：2022-02-18

申请号：CN202111412498.9

申请日：2021-11-25

Applicant: 福州大学

Inventor： 董晨 ,  张媛媛 ,  许熠 ,  黄槟鸿 ,  黄小刚

IPC: G06F21/71 ,  G06F30/32 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于深度学习的门级硬件木马定位方法及系统，该方法首先获取七个公开门级网表文件，得到训练集和测试集；接着进行预处理，用深度优先搜索算法将网表文件转换成路径语句，完成路径生成；然后构造并训练用于检测和定位的TextCNN模型；将测试集的路径集合输入模型，得到预检测结果；对预检测结果进行路径划分和构造虚拟定位坐标，得到用于定位的短路径集合SL；最后将SL输入TextCNN模型，得到定位结果P。本发明实现快速有效的评估集成电路的安全性能并即使发现和瞄准威胁。

公开(公告)号：CN113486347A

公开(公告)日：2021-10-08

申请号：CN202110739931.3

申请日：2021-06-30

Applicant: 福州大学

Inventor： 董晨 ,  许熠 ,  黄槟鸿 ,  刘西蒙

IPC: G06F21/56 ,  G06F40/211 ,  G06F40/284 ,  G06F40/30 ,  G06N3/04 ,  G06N3/08

Abstract: 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和输出端口线网来组成所有可能的路径对；接着在这些路径对上寻找所有存在的简单路径，并生成对应句子，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；步骤S3：来自步骤S1的句子数据集和来自步骤S2的词向量共同作为材料放入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。本发明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。