加密式多参与方的DRV热点预测系统、方法及装置

本发明涉及数字集成电路电子设计自动化(eda)，特别涉及一种基于多任务学习的加密式多参与方的drv热点预测系统、方法及装置。

背景技术：

1、在集成电路的设计流程中，布线阶段是流程中最耗时且复杂的，该阶段所带来的可布线性问题也受到了广泛的关注。在可布线性问题上，尽管可以采用启发式算法在上游阶段进行悲观估计，但它会导致设计的过度保守以及不必要的最终结果质量(quality ofresult，qor)损失。为克服这一难题，人工智能算法(artificial intelligence，ai)提供了另一条技术路径。

2、近些年来，人工智能辅助芯片设计(ai for eda)受到了密切关注。机器学习(machine learning，ml)模型会将eda软件工具以前已经执行了的解决方案利用起来，包括上下游设计阶段所产生的中间信息和真实结果，并将其作为下一次设计方案的先验知识，从而为设计流程引入智能化。

3、具体在drv热点预测问题上，存在基于bp(back propagation)神经网络的模型来预测目标是否有drv，所使用的相关特征是在布局阶段提取的。也有使用卷积神经网络模型，其预测目标都是将版图在逻辑上划分成多个小矩形区域，再对单个区域做预测。然而模型只能够接受局部区域下的特征作为输入，没法考虑到区域周围信息可能造成的影响。对于预测结果来说，该方式精度不够。

4、由于集成电路设计在布局后的版图可以自然地与图像相联系，因此有研究者将版图处理为图像来做预测。现有存在技术：一个是基于残差神经网络(residual neuralnetwork，resnet)的模型，它利用布局阶段前的信息来预测版图的drv数量。另一个是基于全卷积神经网络(fully convolutional networks，fcn)的模型，它将带有drv的版图定义成热点图，并利用全局布线阶段前提取的信息来预测drv热点。

5、为了实现更早的阶段、更快的预测，现有的存在一种定制的网络架构，能实现在布局阶段就对drv进行预测。不论是在预测细粒度还是快速性角度上，都得到了考虑。利用神经架构搜索(neural architecture search，nas)方法，自动为可布线性预测探索适合的模型，与需要数周时间开发的人工模型相比，它在模型自动探索上所耗费的时间也更短。

6、然而，学术界集中式机器学习的应用场景与实际工业界情况存在脱离。在eda领域的学术研究中，由于开源集成电路设计的数量相对较少且无法覆盖各种设计场景，所以绝大多数研究都是将学业界竞赛所提供的集成电路设计收集起来，并使用集中式ml来构建模型。然而，在工业界中，出于竞争优势、商业利益、隐私风险等方面的考虑，集成电路设计数据往往被不同企业视为高度机密且不对外公开。再者，eda供应商向不同客户企业提供ml解决方案时，只能使用企业提供的有限数据，并从零开始部署ml模型。同时，在未经其他企业明确授权的情况下，无法对除客户企业设计以外的数据进行探究。这种针对性数据绝大多数都是不充分且有偏见的，会使得构建的模型对未见过数据的适应能力降低，从而对整体行业的发展产生不可避免的限制。目前缓解这些问题的研究非常有限，因此，迫切需要探索可用于不同企业间协同训练的分布式机器学习方法，以保护集成电路设计企业的隐私。

7、基于此，一种能够保护企业隐私的加密式多参与方的drv热点预测系统亟待研发。

技术实现思路

1、本技术针对现有技术的不足，提出了一种加密式多参与方的drv热点预测系统、方法及装置。

2、本技术解决上述技术问题所采取的技术方案是：

3、一种加密式多参与方的drv热点预测系统，包括：

4、数据采集模块，用于采集任一参与方的信息数据，并将预测版图在设计规则检查阶段后提取的drv信息作为可布线性的指标；

5、分析模块，与所述数据采集模块进行数据交互，用于根据任一所述参与方的信息数据获取所述参与方在训练过程中对应的参与方局部模型对全局模型的贡献度；

6、调整模块，与所述分析模块进行数据交互，用于根据所述可布线性的指标对待预测版图进行本地模型的部署，对任一参与方的局部模型参数进行调整，通过联邦学习，对所述预测版图进行drv热点预测；

7、隐私保护模块，与所述调整模块进行数据交互，用于将任一参与者更新的模型参数使用公钥进行加密，并发送给中心服务器。

8、所述分析模块，包括：

9、至少1个参与方，用于参与drv热点预测；

10、中心服务器，与任一所述参与方进行数据交互，用于通过如下步骤获取所述参与方在训练过程中对应的参与方局部模型对全局模型的贡献度：

11、通过所述中心服务器对所述参与方进行随机初始化，对联邦学习模型进行更新和聚合；

12、随机选择一部分参与方作为协同训练方，并更新所述联邦学习模型的参数；

13、获取所述中心服务器和任一参与方对应的参与方模型参数之间的余弦相似度；

14、将所述余弦相似度进行函数处理，得到所述参与方对应的参与方局部模型在聚合时的贡献度。

15、所述的加密式多参与方的drv热点预测系统，还包括模型调整单元；

16、所述模型调整单元与所述中心服务器连接，用于通过下述步骤在参与方数据量占比和对应的贡献度之间进行平衡，以更新和聚合参与方局部模型的参数：

17、定义第r轮中第k个参与方的参与方局部模型在聚合时的权重为则有：

18、

19、其中，权衡参数μ为衡量数量占比与模型贡献度的超参数；n为参与方数据总和；k为参与方的数量；为第r轮中第k个参与方的参与方局部模型在聚合时的贡献度；

20、利用所述中心服务器会更新联邦学习中聚合局部模型的参数：

21、

22、其中，wr为中心服务器在第r轮更新后的模型参数；为在第r轮的通信时，第k个参与方的参数。

23、所述根据所述可布线性的指标对待预测版图进行本地模型的部署，包括：

24、利用插值算法进行数据集的预处理；

25、将设计规则检查阶段后提取的drv信息作为可布线性的指标，并将任务定义为drv热点预测任务；

26、将所述drv热点预测任务归属为深度学习领域的图像分割任务，并构建模型作为联邦学习中参与方的局部模型，并且在协同训练过程中对其参数进行输出与更新；

27、使用二元交叉熵作为损失函数，用于衡量预测值与真实值之间的差异：

28、其中，yi是第i个样本的二元标签，p(yi)是第i个样本的预测值，n是样本总数。

29、所述将任一参与者更新的模型参数使用公钥进行加密，并发送给中心服务器，包括：

30、对密钥对进行生成和分发，使任一参与者均收到密钥对；

31、在本地训练后，所述参与者将更新的模型参数使用公钥进行加密，并发送给中心服务器；

32、所述中心服务器聚合所有参与者传送的加密参数后，再将聚合好的参数返送给对应的参与者；所述参与者使用私钥进行解密，并将模型参数设置为最终结果。

33、所述对密钥对进行生成和分发，使任一参与者均收到密钥对，包括：

34、随机选择两个大素数，设为p与q，且p，q满足以下条件：

35、gcd(n,(p-1)(q-1))＝1；

36、其中，gcd()为最大公约数函数；n＝p×q；

37、同时，λ＝lcm(p-1,q-1)；其中，lcm()为最小公倍数函数；

38、定义函数l(x)为：其中，x为自变量；

39、选取随机数g，它满足条件则ρ＝gλmod(n2)；其中，mod()为取模运算；zn2*为模n2的乘法群。

40、令x＝ρ，则有：

41、则模反元素μ：μ＝(l(ρ))-1mod n；

42、由以上的n、g、λ和μ组成密钥对，其中公钥为(n,g)，私钥为(λ,μ)。

43、所述在本地训练后，所述参与者将更新的模型参数使用公钥进行加密，并发送给中心服务器，包括：

44、设需要加密的模型参数为明文，且为m，m∈zn；；zn表示整数环；

45、假设浮点数的小数部分有α位，则扩大结果m'为：m'＝m×10α；

46、对扩大结果m'进行加密，加密后产生的密文c结果为：c＝gm'snmod n2；其中，s为随机数，s<m'≤n；g为随机数；n＝p×q，且p，q为素数；

47、n＝p×q。

48、所述中心服务器聚合所有参与者传送的加密参数后，将聚合好的参数返送给参与者；所述参与者使用私钥进行解密，并将模型参数设置为最终结果，包括：

49、假设中心服务器发送过来的为聚合参数c'；

50、则σ为：σ＝c'λmod(n2)；

51、令x＝σ，则有：

52、得到解密后的明文g'，g'＝(l(σ)μ)mod n；

53、将扩大过的明文进行相同倍数的缩小恢复，g＝g'÷10α；λ＝lcm(p-1,q-1)；其中，lcm()为最小公倍数函数，p，q为素数；

54、经过以上过程，参与者获取的中心服务器的参数是在加密状态下处理的，而非原始数据。

55、一种基于所述的加密式多参与方的drv热点预测系统的预测方法，包括：

56、采集任一参与方的信息数据，并将预测版图在设计规则检查阶段后提取的drv信息作为可布线性的指标；

57、根据任一所述参与方的信息数据获取所述参与方在训练过程中对应的参与方局部模型对全局模型的贡献度；

58、根据所述可布线性的指标对待预测版图进行本地模型的部署，对任一参与方的局部模型参数进行调整，通过联邦学习，对所述预测版图进行drv热点预测。

59、一种用于drv热点预测的电子装置，包括：

60、存储介质，用于存储计算机程序；

61、处理单元，与所述存储介质进行数据交换，用于在进行drv热点预测时，通过所述处理单元执行所述计算机程序，进行如上述方法的步骤。

62、本技术所带来的有益效果为：

63、本技术所述的加密式多参与方的drv热点预测系统，通过数据采集模块，用于采集任一参与方的信息数据，并将预测版图在设计规则检查阶段后提取的drv信息作为可布线性的指标；再利用分析模块根据任一所述参与方的信息数据获取所述参与方在训练过程中对应的参与方局部模型对全局模型的贡献度；然后，利用调整模块根据所述可布线性的指标对待预测版图进行本地模型的部署，对任一参与方的局部模型参数进行调整，通过联邦学习，对所述预测版图进行drv热点预测；最后，使用隐私保护模块将任一参与者更新的模型参数使用公钥进行加密，并发送给中心服务器。本技术增加基于paillier同态加密的隐私保护模块，能够在协同训练过程中确保参与方的数据信息安全，增强集成电路设计企业对联邦学习算法的信任度。