随着半导体行业的日益发展和成本与效率的综合考虑,集成电路芯片的设计、开发和制造采用的是全球化产业链模式,相当一部分的设计、加工任务是由第三方提供的。一些恶意的第三方供应商能够轻易的在芯片设计阶段和制造阶段将硬件木马电路插入到芯片中。具有恶意功能木马的芯片一旦应用于军事、政治、金融等诸多关键领域,将造成不可估量的严重影响。因此,作为提高国家硬件安全防御能力的关键方法,硬件木马检测技术具有重要的研究意义。本文针对第三方厂商提供的门级网表,提出了一种基于机器学习的混合模式门级硬件木马检测方案。该检测方案由多层级定位方法和电路结构检测方法组成。混合模式检测方案可通过切换不同的检测方法高效地服务于各种检测需求:多层级定位方法从统计和分析电路信号节点特征的角度出发,适用于检测出待测电路中所有木马信号的需求。电路结构检测方法从提高检测节点颗粒度的角度出发,适用于快速识别出待测电路中是否存在木马结构的需求。同时,电路结构检测方法可以有效地优化多层级定位方法因其检测颗粒度过小而可能存在的误判情况。两种检测方法相辅相成,形成了一套体系完善的检测方案。多层级定位方法以待测电路中的线网信号作为节点,首先通过分析木马电路与正常电路之间存在的静态特征差异,提取信号有效特征,在第一层级利用XGBoost算法对待测电路进行初步定位。继而,针对可能存在于扫描链结构中的木马电路,通过分析扫描链的结构特征,对待测电路进行第二层级的扫描链静态检测。最后,考虑到静态木马检测对于时序类型木马电路检测存在一定的局限性,在第三层级采用动态木马检测技术。定位方法采用多层级的检测方式对木马电路进行定位,能够精确定位待测电路中所有木马节点的位置,且相较于现有的其它检测方法具有较优的木马检测率。电路结构检测方法通过分析待测电路的整体逻辑结构,采用基于逻辑块的特征提取方法实现门级网表到数值化节点模型的转变,并利用轻量级Light GBM算法对待测电路进行建模、训练及检测。电路结构检测方法能够以较高的准确率对待测电路中是否为木马电路做出判断,并且可以实现相较于多层级定位方法更快的检测速度和更低的资源占用。Trust-Hub基准测试集的检测结果表明:多层级定位方法能够达到94.0%的木马定位准确率,电路结构检测方法可以达到100%的检测准确率,且电路结构检测方法的特征提取速度相较于多层级定位方法提高约4倍。由此可见,多层级定位方法和电路结构检测方法可分别满足木马精确定位和快速、高准确率检测的需求,进而证明了所提出的基于机器学习的混合模式门级硬件木马检测方案是切实有效的。