Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 西安电子科技大学史江义获国家专利权

西安电子科技大学史江义获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉西安电子科技大学申请的专利一种基于机器学习与混合采样的硬件木马检测方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN114611103B

龙图腾网通过国家知识产权局官网在2025-10-24发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210170897.7,技术领域涉及:G06F21/56;该发明授权一种基于机器学习与混合采样的硬件木马检测方法是由史江义;温聪;马佩军;李康;潘伟涛;董勐;罗逸凡;刘国骄设计研发完成,并于2022-02-23向国家知识产权局提交的专利申请。

一种基于机器学习与混合采样的硬件木马检测方法在说明书摘要公布了:本发明属于集成电路硬件安全技术领域,公开了一种一种基于机器学习与混合采样的硬件木马检测方法。首先,通过归纳出的低翻转率结构对网表中所有门进行互连结构匹配;对网表中所有门进行混合采样,如果门不属于低翻转率结构,则对其周围n级电路进行搜索并建立子图;如果门属于低翻转率结构需要对其所在的逻辑锥进行整体采样;将特征子图中所有的连接结构进行独热码编码,再进行累加获得固定长度的特征向量;最后输入所有特征向量到已经训练好的机器学习分类器进行节点分类,检测出硬件木马节点。本发明保留了图的部分高维特征,同时采用了混合采样的方式扩大了硬件木马与正常节点的特征区别,使得机器学习的模型能更好的训练以及区分硬件木马和正常节点,提高了检测模型的检测精度。

本发明授权一种基于机器学习与混合采样的硬件木马检测方法在权利要求书中公布了:1.一种硬件木马检测方法,其特征在于,所述硬件木马检测方法进行检测模型的搭建;通过归纳出的低翻转率结构对待测网表中所有门进行互连结构匹配;对网表中所有门进行混合采样,如果门不属于低翻转率结构,则对其周围n级电路进行搜索并建立子图,如果门属于低翻转率结构需要对其所在的逻辑锥进行整体采样;将特征子图中所有的连接结构进行独热码编码,再进行累加获得固定长度的特征向量;最后输入所有特征向量到已经训练好的机器学习分类器进行节点分类,检测出硬件木马节点; 所述硬件木马检测方法包括以下步骤: 第一步,将测试集中植入木马的网表进行有向图的映射,结构为G=N,E,G为整个网表的邻接矩阵,N为网里面所有门,E为门之间的连接关系; 第二步,归纳硬件木马中存在的低翻转概率的连接结构,并用于第三步中的结构匹配; 第三步,对所有节点进行一次结构匹配,满足前后连接关系中存在低翻转率结构时,将该节点标记为被匹配节点,如果不存在则标记为未被匹配节点; 第四步,针对不同标记的门进行不同的采样策略; 第五步,对节点获得的邻接矩阵进行特征向量的表征;将邻接矩阵中所有连接关系以独热码的形式进行统计; 第六步,将获取到的特征向量放入有监督的神经网络中进行训练,获取最终的检测模型; 第七步,将待测网表进行第一步-第五步,并将第五步获得的特征向量放入第六步生成的检测模型中进行硬件木马检测,检测模型会输出整个网表的硬件木马检测结果,如果输出结果存在着疑似的硬件木马节点,则代表该电路并不安全,需要对这些疑似节点进行更细致的分析; 所述第四步未被匹配的节点:节点是硬件木马驱动电路的嫌疑不大,采用图神经网络中邻域聚合的方式,将节点邻域n级的信息进行聚合,分别进行前向、后向n级广度优先搜索获取到该节点邻域的节点与连接信息,加上自身节点信息,一共为2n+1级,信息由邻接矩阵存储; 被匹配节点:对所在逻辑锥进行一个完整的判断;逻辑锥的生成如下: 1由目标节点向扇出方向搜索n级找到逻辑锥的根节点; 2从逻辑锥的根节点开始前向广度优先搜索2n+1级获得固定长度的逻辑锥; 3最后对逻辑锥进行邻接矩阵的存储; 所述第四步对节点的采样为,将节点周围邻域的信息进行采样聚合,用于节点的嵌入;采用有偏采样的方式,将匹配节点所在逻辑锥进行完整表征,根据整个逻辑锥的连接关系用于判断节点是否是硬件木马; 所述第五步网表中存在n种类型的门,则独热码需要n2维;当网表存在2种门,与门和或门,其中存在着连接关系与门-或门、或门-或门、与门-与门、或门-与门,这些连接关系的独热码表示为[0,1,0,0]、[0,0,1,0]、[1,0,0,0]、[0,0,0,1],最后将独热码累加用于节点的特征向量[1,1,1,2]; 所述第六步的训练参数定义如下:定义TP为正确识别的木马数量,TN为正确识别的正常节点数量,FP为错误识别为木马的数量,TN为错误识别为正常节点的数量,TPR定义为TPTP+TN,TNR定义为TNTN+FP。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人西安电子科技大学,其通讯地址为:710071 陕西省西安市太白南路2号西安电子科技大学;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。