1.一种基于图卷积神经网络的硬件木马检测与定位方法，其特征在于，所述方法包括以下步骤：步骤1、基于图学习方法将电路结构转化为图结构，并在此过程中提取节点的基础结构特征，即节点类型、入度、出度和节点到任意原始输入的最短距离以及节点到任意原始输出的最短距离；

步骤2、基于深度搜索策略与拓扑逻辑分析方法构建两个新特征Cov与Lfp以完善电路节点的特征信息；

步骤3、基于GCN聚合节点的邻居特征并更新自身节点特征信息以改善节点的局部感知与泛化能力；

步骤4、使用基于注意力机制的全局特征融合方法提取和更新图的全局特征，并与步骤

3得到的聚合邻居特征之后的节点特征向量进行融合；

步骤5、基于随机梯度下降思想并结合小批量过采样与欠采样方法平衡训练数据，解决电路中HTs节点稀缺问题对模型的影响；

步骤6. 使用多层感知机模型基于留一交叉验证法训练平衡处理后的数据，并对未知电路进行预测，识别电路中潜在的HTs节点。

2.如权利要求1所述的一种基于图卷积神经网络的硬件木马检测与定位方法，其特征在于，所述步骤2的过程如下：

2.1. 通过公式（1）计算与节点 有路径相连的节点数目以量化 的连通性 ，采用归一化策略以消除尺度差异可能对结果造成的不利影响，其中，i=1, 2, …, N，N为图中的节点数， 表示有向图中所有可以到达节点 的节点数目， 表示有向图中从节点 出发可以到达的节点数量，这两者的和即为图中与目标节点 具有连通性的所有节点数量；

 =    ,          (1)；

2.2. 通过公式（2）计算节点 的所有目标节点对其逻辑值分布的影响能力，再通过公式（3）近似计算节点 的逻辑值概率分布，然后通过公式（4）计算节点 的逻辑翻转概率，其中，目标节点为输出逻辑1下的与门和或非门，以及输出逻辑0下的与非门和或门；在公式（2）中， 表示图中目标节点对节点 输出1或0概率的影响程度，n为节点 的输入端个数，量化了多条具有最多目标节点数的输入路径对节点Lfp的影响程度；在公式（3）中，为节点 输出逻辑1（或0）的概率， 表示目标节点类型， 表示节点 的入度，在公式（4）中， 即表示节点 的逻辑翻转概率；

            (2)；

             (3)；

                  (4)；

2.3. 融合上述两个新特征与步骤1的基础结构特征得到节点的初始特征向量。

3.如权利要求1或2所述的一种基于图卷积神经网络的硬件木马检测与定位方法，其特征在于，所述步骤3的过程如下：

3.1. 通过公式（5）聚合与节点v相邻的节点的特征向量，并生成消息向量 ，再通过公式（6）的更新函数组合节点v的特征向量 和消息向量 得到更新后的节点v的特征向量 ，其中， 表示与节点v相邻的一组节点， 表示节点 的特征向量，， 表示第l层的消息函数， 表示第l层的更新函数；

          (5)；

               (6)；

3.2. 利用式（5）所示的消息函数和式（6）所示的更新函数聚合并更新来自节点v两跳内的邻居节点特征，在丰富节点特征信息的同时避免了过拟合及计算代价大的问题，完成上述聚合过程得到特征向量矩阵eb。

4.如权利要求1或2所述的一种基于图卷积神经网络的硬件木马检测与定位方法，其特征在于，所述步骤4的过程如下：

4.1. 平均池化GCN聚合邻居节点特征信息后的特征向量矩阵eb以获得初始全局特征向量，记为 ，接着根据公式（7）将每个节点特征向量分别与当前全局特征向量 开展内积操作，并归一化所有内积结果使得到权重向量 ， 反映了每个节点对初始全局特征向量 的贡献程度，其中， 代表节点 内积得到的值， 代表节点 的特征向量；i=1, 2, …, N，N为图中的节点数；

(7)；

4.2. 通过公式（8）将每个节点特征向量 与对应的权重值 开展加权求和以更新全局特征向量，记为 ；

                 (8)；

4.3. 重复执行上述两步骤操作一次以提取有效融合各节点特征向量信息的全局特征向量，记为 ，最后通过公式（9）加权融合 与每个节点的特征向量 以获得最终的节点特征向量矩阵neb，其中，k1为全局特征融合的比例；

neb =(1‑k1)×eb + k1× (9)。

5.如权利要求1或2所述的一种基于图卷积神经网络的硬件木马检测与定位方法，其特征在于，所述步骤5的过程如下：

5.1. 将正常节点集 随机分为m等份，m为小批量数；

5.2. 对于其中的每一份 ，从HTs节点集 中开展随机采样得到 并置入 ，其中要求 中的节点数趋近于 ，从而实现数据平衡处理，其中，j=1, 2, …, m。