[发明专利]一种基于图注意力网络的隐性偏差指令预测方法及设备

权利要求书

1.一种基于图注意力网络的隐性偏差指令预测方法，其特征在于，包括如下步骤，

步骤1，对可执行文件中的部分指令进行故障注入，通过注入故障的部分指令得到用于训练的故障标签，其中故障标签包括屏蔽、崩溃、挂起和隐性偏差；

步骤2，对汇编文件中的指令进行属性特征提取得到节点特征；

步骤3，根据汇编文件中的指令构建异构图，获取目标节点的相邻节点，聚合邻居节点信息，得到节点的低维嵌入，进行节点分类；

通过运用注意力机制获取相邻节点对目标节点的重要程度，并通过边的类型聚合邻居节点的信息，得到节点的低维嵌入；

在汇编文件的指令下对节点分类的方法具体步骤如下：

S1，构造异构图G＝(V,E)，其中异构图G包括一组节点V和一组边E；每一个节点为一条动态指令，并基于相邻节点定义一个计算图；

S2，通过S1中得到的计算图堆叠L个注意层，输入节点特征；

S3，将权重矩阵应用到相邻节点i上，得到下一层节点i的空间投影；

S4，对同一层相同类型的边都实行注意力机制，得到注意力系数；

S5，将每种边类型的注意力系数归一化；根据每条边的权重进行节点聚合，当节点聚合的输出是串联M个单独的注意头的输出时，判断该层不是网络的最后一层；则将该输出作为下一层的输入，在下一层继续执行S3；当节点聚合的输出是对M个单独的注意头输出结果为取平均时，为网络的最后一层，进行节点分类；

步骤4，通过步骤3的节点分类，输出每个节点的低维表示，对每个节点进行预测分类，得到屏蔽、崩溃、挂起和隐性偏差四种故障类型；

步骤5，将步骤4中得到的四种故障类型的嵌入向量进行可视化，通过不同颜色投影至二维空间，得到隐性偏差脆弱指令的预测结果。

2.根据权利要求1中所述的一种基于图注意力网络的隐性偏差指令预测方法，其特征在于，S2中，在L个注意力层中第一层输入节点特征，输出是S5中将M个注意力头串联后的向量；其中从汇编文件中提取的一组节点特征的公式如下：

其中，N是节点数，F是每个节点的属性特征数，h是从汇编文件中提取的节点特征，下标表示节点的序号，上标表示层数。

3.根据权利要求1中所述的一种基于图注意力网络的隐性偏差指令预测方法，其特征在于，S3中采用线性变换，将权重矩阵应用到每个相邻节点i∈N_j，其中N_j是图中节点j的一组相邻节点，具体公式如下，

其中是L层嵌入到第(L+1)层、第m个注意头的节点i的空间投影；表示权重矩阵，下标表示一种类型的边，上标表示第L+1层和第m个单独的注意力头，h_i表示节点i的特征向量。

4.根据权利要求1中所述的一种基于图注意力网络的隐性偏差指令预测方法，其特征在于，S4中对同一层相同类型的边都实行自注意力机制，其中自注意力机制为a:R^F'×R^F'→R；

其中，a表示注意力机制；R表示实数集；F表示特征的维度；

注意力系数公式如下：

其中未经处理的注意力系数表示邻居节点i对目标节点j的重要性；

a表示注意力机制，是一个向量；h是节点特征；σ是由LeakyReLU(.)实现的激活函数。

5.根据权利要求1中所述的一种基于图注意力网络的隐性偏差指令预测方法，其特征在于，S5中通过softmax函数将所有边的系数归一化到节点j，具体公式如下，

其中，α表示经过softmax函数处理的注意力系数；

利用邻居节点与节点j相连的每条边的权重，得到聚合后的节点j，具体公式如下：

表示聚合之后的节点特征；α表示注意力系数；是L层嵌入到第(L+1)层、第m个注意头的节点j的空间投影；

节点j的嵌入向量通过连接m个单独的注意头的输出，产生第(L+1)个注意力层的输出，具体公式如下：

在M1的情况下，将每个单独的注意力头的输出串联起来；

是每个注意力头的输出。