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！

龙图腾网获悉中国科学院大学申请的专利一种融合注意力机制的图神经网络硬件木马检测方法与系统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：CN120012084B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202510092455.9，技术领域涉及：G06F21/56；该发明授权一种融合注意力机制的图神经网络硬件木马检测方法与系统是由沈海华;杨俊斌;何一冉设计研发完成，并于2025-01-21向国家知识产权局提交的专利申请。

本一种融合注意力机制的图神经网络硬件木马检测方法与系统在说明书摘要公布了：本发明属于计算机和电子技术领域，公开了一种融合注意力机制的图神经网络硬件木马检测方法与系统，包括：S1.将携带硬件木马的网表电路代码映射为有向图；S2.对有向图进行图嵌入、图分割和图采样；S3.通过编码器提取节点固有特征；S4.通过图神经网络提取节点局部特征；S5.通过注意力机制模型提取节点的全局特征；S6.将自编码器提取的数据固有特征和双向GCN汇聚模型提取的局部结构特征和自注意力机制提取的全局结构特征进行特征融合，并经过分类模型得到HT检测结果。本发明极大提高了木马检测的准确率和效率；比现有方法扩大了检测范围或类型，可应用于实际对大规模集成电路进行硬件木马检测。

本发明授权一种融合注意力机制的图神经网络硬件木马检测方法与系统在权利要求书中公布了：1.一种融合注意力机制的图神经网络硬件木马检测方法，其特征在于，所述方法包括： S1：将携带硬件木马的网表电路代码映射为有向图； S2：对有向图进行图嵌入、图分割和图采样，获得训练集； S3：通过编码器提取训练集中节点的固有特征； S4：通过图神经网络提取训练集中节点的局部特征； S5：通过注意力机制模型提取训练集中节点的全局特征； S6：将固有特征、局部特征和全局特征进行特征融合，并经过分类模型得到HT检测结果； 所述S5中，通过注意力机制模型提取训练集中节点的全局特征包括： S501提出了一种针对于有向图求位置编码的算法：首先求有向图对应的位置编码PE，然后求有向图转置的位置编码PE'，最后将PE和PE'连接作为最终的位置编码BPE；有向图的位置编码的具体求解过程如下： 1首先，通过图的邻接矩阵A求出度矩阵D；出度矩阵D是一个对角矩阵，其中对角线上元素D[i][i]表示节点i的出度即从节点i出发的所有边的权重之和，计算公式为： 2构建拉普拉斯矩阵L，有向图的拉普拉斯矩阵定义如下： L＝D-A 3计算L的特征值和特征向量，使用Python中Numpy库中的相关库函数对求L的特征值和特征向量，具体代码表示为：eigenvalues,eigenvectors＝np.linalg.eigL； 4得到位置编码，如果上步得到的特征向量中包含复数，那么只选用其实部，舍弃虚部，然后按特征值排序，选K个最小的非零特征向量作为节点的位置编码信息PE； 将A转置后得到AT，并通过与求位置编码信息PE一致的步骤，求得有向图转置的位置编码信息PE’，将PE与PE'进行拼接，作为最终的位置编码信息，即BPE，传递给下一步的模型中： BPE＝ConcatPE,PE' 其中，Concat表示拼接操作； S502通过一种处理图数据的自注意力机制模型来提取图节点的全局特征，具体方法是通过训练一种自注意力机制模型来处理图嵌入矩阵X和S501得到的位置编码BPE，该模型由多个编码层堆叠而成，每个编码层中包括两个子层：自注意力层和前馈神经网络层，自注意力机制模型如下所示： Gh＝FCAttentionX+BPE；WQ,WK,WV 其中X为图嵌入矩阵，BPE为有向图的位置编码，WQ、WK和WV是注意力层的可学习的参数，Attention是自注意力层，FC是前馈神经网络，Gh是经过自注意力机制后提取到的图节点的全局特征。

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中国科学院大学，其通讯地址为：101408 北京市怀柔区雁栖湖东路1号；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。