破解硬件保证数据困局：合成生成如何兼顾稀缺与保密

硬件保证这个方向有一段时间特别让人头疼：网表、RTL 代码、测试向量、故障日志，这些材料属于典型的又缺又敏感。缺是因为公开数据集少，标注成本高；敏感是因为厂商几乎把它们当成核心资产，不可能随便脱敏外传。合成生成（Synthetic Generation）就是在这种背景下被反复提起的一条解决思路——用程序化或模型化方式生成接近真实分布的数据，用于训练、验证和工具链测试。这篇文章面向硬件安全工程师、芯片验证工程师和研究相关方向的同学，重点不是把理论再讲一遍，而是把“数据稀缺与保密性到底卡在哪、合成生成能缓解到什么程度、实际落地时怎么选方法、怎么验收”这套流程拆开讲一遍。我的核心判断是：合成生成能解决一部分问题，但它不是用来替代真实数据的，而是用来补充分布、覆盖边界、降低共享门槛的。能不能用出价值，取决于你对目标分布的理解和对生成质量的验收标准。

1. 硬件保证的真实困境：不是缺数据，是缺能共享的数据

1.1 数据稀缺和保密性为什么总是同时出现

先看硬件保证里最常碰到的数据形态。RTL 代码用于设计验证和逻辑分析；门级网表用于结构检查、配置比对和木马检测；测试向量用于功能测试和故障覆盖率分析；JTAG 扫描链数据、故障注入日志用于调试和边界扫描验证；功耗波形和电磁轨迹则多用于侧信道分析。这些东西在工程实践中天天用，但真正能公开拿来做研究和工具验证的样本非常少。

原因有两层。第一层是稀缺。硬件安全不像图像分类，可以随便从公开数据集里取几万张图。芯片设计细节通常被当作商业秘密，网表和版图更是不会发给外部团队。即使厂商愿意配合，数据交付也要经过审批、脱敏、签订保密协议，周期很长。另一方面，硬件安全相关的数据标注往往需要资深工程师才能完成，比如判断某个异常结构是不是硬件木马，或者确认某段测试向量是否覆盖了特定故障，普通标注人员做不了，成本自然高。

第二层是保密。网表里往往包含电路拓扑、模块划分、IP 使用情况，这些信息能反推出设计思路。RTL 代码更容易泄露算法实现。位流文件和版图数据一旦外流，可能导致产品被克隆或反向分析。这些问题导致一个很尴尬的现状：真正有价值的真实数据散落在各个厂商内部，研究机构和第三方检测机构能拿到的只是少量脱敏片段。数据又少又不能共享，等于双重受限。

可以用下面这张表概括常见硬件数据的可用性：

1.2 合成数据能同时缓解这两个问题吗

合成数据的价值，不在于替代真实数据，而在于把“数量不足”和“保密受限”这两个问题拆开处理。

数量不足，可以通过程序化生成器不断产出新样本，并且主动控制类别比例和边界条件。比如真实样本里某类异常结构只有 50 条，你可以让生成器按同类规则产出 1000 条，把模型训练时最缺的那部分补上。

保密受限，则可以通过“只传规则、不传原始样本”的方式缓解。规则型生成器本身不携带具体公司项目的敏感内容，而是描述结构特征、分布范围和约束条件。生成出来的数据即使对外提供，也不会直接暴露原始网表或 RTL。

但这里要打个预防针：合成生成不能解决数据保密中的所有问题。如果生成过程直接对真实样本做了复制，或者生成模型记住了训练样本的某些隐私特征，那么合成数据同样会携带敏感信息。只能说，合成生成给了我们一个更容易控制数据边界的工作方式，具体能不能做到保密，取决于生成器的设计和后期的隐私检查。

我更建议把合成生成定位在三个阶段：模型训练、工具链验证、流程预演。真正涉及到最终认证和产品级安全声明，还是需要基于真实样本的独立测试。

2. 合成生成不是伪造数据：先想清楚边界

2.1 合成数据在硬件保证里能做什么

很多人一听到“合成数据”，第一反应是“造假”。在硬件保证场景里，这不是造假，而是按照真实数据的统计规律和结构约束重新生成样本。它大约能承担四类任务。

第一类是扩充训练集。尤其是在做硬件木马检测、异常结构识别、故障分类这类有监督任务时，真实正样本往往非常稀少，合成数据可以补足类别不平衡。

第二类是覆盖稀有边界。真实数据里很多极端情况出现频率很低，比如极端时序条件下的电压异常，或者某些罕见门级电路拓扑。生成器可以专门把这类边界条件作为配置参数，主动产出一批样本，用来测试模型或工具链在边界上的表现。

第三类是工具链验证。硬件分析工具在上线前需要大量结构合法的输入做回归测试。如果用真实项目数据，要考虑保密和授权；如果自己写测试样本，工作量又大。规则型合成生成就能快速生成一批符合语法的 RTL 或网表结构，先验证工具能跑通、能输出、能报错。

第四类是流程预演。新入职工程师或新合作团队在接触真实敏感数据之前，可以先拿合成数据演练完整流程。这样既能熟悉工具链，又能避免敏感数据在初期调试阶段被反复拷贝。

2.2 三种最容易被误解的能力

误解一：合成数据等于真实数据。不成立。合成数据即使在统计分布上非常接近真实数据，也缺少真实数据里那些难以建模的细节，比如制造工艺波动、环境噪声、供应商工具链导致的隐性差异。所以合成数据只能用于辅助训练和验证，不能替代真实样本做验收。

误解二：合成数据等于脱敏数据。这是我见过最危险的判断。生成模型在训练过程中可能记住某些真实样本的敏感细节，并在生成时重现出来。如果原始样本来自某些未公开设计，生成结果就可能携带同样的敏感信息。合成数据可以降低共享门槛，但不代表它可以自动做到隐私保护。

误解三：生成结果看起来像，就说明方案有效。很多团队用到生成对抗网络后，只看生成样本的图形或波形“像不像”，就认为任务完成。实际上，硬件保证更关心下游任务能否受益。检测模型精度是否提升、工具链是否覆盖更多结构、故障覆盖率是否增加，这些才是真正的判断标准。如果只是生成结果好看，下游任务没有任何变化，说明生成流程和业务目标没有对齐。

2.3 怎么判断合成数据有没有价值

判断标准可以拆成三组问题。

分布是否接近真实数据。计算特征维度的均值、方差、取值范围和类别比例，比较真实样本与合成样本的差异。这里的接近不是“完全一致”，而是关键特征没有明显偏移。

结构是否合法。RTL 能不能通过语法检查，网表能不能通过结构规则校验，波形是否满足时序约束。如果生成的数据根本过不了工具链的结构检查，下游任务就无法使用。

任务是否真的受益。用同样的模型结构分别训练“仅真实样本”和“真实+合成样本”，再在独立的真实测试集上对比效果。如果合成数据带来明显收益，说明它提供了有效信息；如果收益为负，就说明合成样本的分布偏移或噪声干扰超过了价值。

注意：合成数据不能用来证明真实硬件是安全的。它解决的是算法训练和工具验证阶段的数据可用性问题，不是最终的产品安全结论。

3. 落地流程：从项目目标到合成数据验收

3.1 第一步：把目标转成可量化的分布要求

不要一上来就写生成器或训练模型。先回答三个问题：你最终要做什么任务，需要哪些关键特征，现有真实样本在这些特征上的分布是什么样。

举例来说，如果任务是识别网表中的可疑逻辑结构，你要先明确可疑结构的定义，包含哪些门类型、连接模式、层级关系、触发条件。然后把这些定义转成可量化的字段，比如节点数量、扇入扇出、逻辑深度、特征模式出现次数。只有这些字段被定义清楚，生成器才知道该按什么规则出样本。

这一步最容易被忽略但极其重要。很多团队直接拿一个开源生成模型来跑，结果生成的数据分布和实际业务场景差距很大。原因不是生成模型不行，而是输入的目标分布没有约束。建议先对真实样本做一次描述性统计，至少包括：类别数量、每类样本量、特征取值区间、缺失值比例。

3.2 第二步：根据数据形态选择生成策略

数据形态决定了首选的生成方法。

结构化的硬件设计数据，比如网表、RTL、逻辑连接关系，优先考虑规则驱动生成器。原因很简单：这类数据有严格的语法和结构约束，规则驱动生成器可以保证输出结构合法。你可以定义模板、定义连接规则、定义变异方式，然后随机组合。

高维连续信号，比如功耗波形、电磁轨迹、时序数据，可以先用数据增强，比如加噪声、缩放、时间偏移。如果真实样本量足够大，再考虑生成模型。这里说的“足够大”没有绝对标准，但至少能支撑一个稳定的训练过程。

小样本、高敏感场景，最适合的做法是先做规则驱动生成，再用少量真实样本做分布校准。不要直接用大型生成模型，因为样本量太少时，生成模型很容易过拟合，反而记住原始样本，制造出新的隐私风险。

3.3 第三步：生成、过滤、标注与验收

生成不能只跑一次就算完。我一般会先把生成量放大到实际需求的两到三倍，然后做过滤。

过滤规则包含三部分。第一部分是结构合法性，比如 RTL 能通过编译语法检查、网表能通过拓扑约束检查；第二部分是业务合理性，比如样本是否落入目标分布区间、是否符合预期的特征组合；第三部分是去重，去掉重复度过高的样本，保留多样性。

标注环节可以尽量自动化。如果定义好了可疑特征模式，就可以按规则自动打标。自动打标之后要人工抽检一部分，重点看边界样本：特征刚好落在阈值附近的样本，往往是最容易误标的地带。

验收环节分成小规模和大规模两轮。先用合成数据和真实数据各拿一小部分跑通整个下游流程，确认数据格式、接口、工具链没有问题；再扩大生成量，进行完整的对比实验。

注意：不要用合成数据污染测试集。测试集必须来自真实数据，并且合成数据在生成时不能参考测试集的分布细节，否则你评估出来的性能会虚高。

4. 方法选型：规则驱动、数据增强还是生成模型

4.1 三类方法的适用边界

硬件保证场景里，合成生成的方法大致可以分成三类。它们之间不是替代关系，而是递进关系。

规则驱动生成器适合结构化数据，比如网表、RTL、配置信息。优点是产出稳定、可控、易于解释，适合新手快速起步。缺点是规则设计需要业务理解，如果规则定义得太简单，生成样本的多样性会不足。

数据增强适合已有样本的情况。方法是把真实样本做小幅变换，比如位翻转、加入噪声、改变时序参数、插入冗余结构。优点是成本低、实现快。缺点是增强后的样本和原样本高度相关，模型很容易学到重复模式，对泛化能力提升有限。

生成模型适合数据量大、形态复杂的场景。生成对抗网络、变分自编码器、扩散模型都有人尝试过。优点是有机会学到更深层的特征分布。缺点是对训练数据量、算力和调参经验要求高。低配置环境不建议优先选择。

4.2 关键参数和实验节奏

不管你选哪种方法，有几个参数都要提前定下来。

生成数量先不要贪多。我建议第一轮生成的合成样本占训练样本的 10% 到 20%，先看下游任务收益，再逐步提升。直接把合成样本比例拉到 80%，一旦生成分布存在细微偏移，模型就可能被带偏。

迭代轮次要看生成器收敛情况。规则驱动生成器不存在收敛问题，主要看随机种子和规则范围。数据增强主要看变换幅度，比如位翻转的比例、噪声标准差。生成模型要看训练损失和生成样本质量，通常每隔固定轮次抽一批样做人工检查。

硬件资源决定了你的选择边界。只有 CPU 的机器，优先做规则驱动和数据增强。有 GPU 但显存有限，可以把生成模型的输入维度降低，缩小批量大小。不要一上来就开最大批量，先跑通再调。

4.3 一个简单的评估指标组合

评估合成数据不能只看一个指标。我建议组合三组指标。

第一组是分布接近度。对数值特征可以用 KS 检验或 Wasserstein 距离；对类别特征可以对比类别分布直方图。核心是确认合成样本没有在关键维度上发生明显偏移。

第二组是下游任务收益。固定模型和测试集，分别比较“真实数据训练”和“真实+合成数据训练”的精度、召回、F1 或故障覆盖率。收益明显提升，说明合成数据有价值；提升很小，说明补充的信息不多；效果下降，说明分布偏移抵消了数据量增加带来的收益。

第三组是结构合法率。统计生成样本通过结构校验的比例，以及结构校验失败样本被过滤后的分布变化。如果过滤后保留的样本数量不足，说明生成规则或模型效果有问题，需要回到生成阶段调整。

5. 案例串联：扩充硬件木马检测模型的训练数据

5.1 场景与初始条件

假设你手里有几百条从不同测试项目中收集的网表结构特征，需要训练一个对可疑逻辑结构进行分类的模型。这里说的特征不是原始网表文件，而是已经抽取好的向量，比如节点数量、连接关系、逻辑深度、扇入扇出系数、功耗测试结果等。

问题在于：正常样本有几百条，带可疑特征的样本只有几十条，类别极不平衡。直接训练的话，模型很容易把所有输入都判断为正常样本。这种情况下，合成生成就是合理的补充手段。

初始条件里要注意，真实样本数量虽然少，但足以统计出特征分布的均值、方差和取值范围。如果连几十条都没有，那就不适合用统计方法，可能要先靠规则模板从零构造。

5.2 合成生成与验证步骤

我的做法分几步走。

第一步，对真实样本做分布摘要。统计正常样本和可疑样本在每个特征维度上的均值和标准差，确认哪些特征对分类最有区分度，哪些特征噪声很大。

第二步，写规则生成器。正常样本生成规则可以包含特定范围内的节点数量、连接模式、逻辑深度组合。可疑样本生成规则则重点加入异常模式，比如触发器可控性异常、高扇出信号、低测试覆盖率节点。

第三步，生成后进行结构合法性和范围过滤。生成量可以放大，比如正常样本生成 4000 条，可疑样本生成 800 条，过滤后保留有效样本。

第四步，划分训练测试集。真实样本中留出独立测试集，合成样本只能混入训练集，不能混入测试集。

下面是一段流程示意，实际实现要按你的数据格式调整：

# 流程示意：真实分布摘要 -> 规则生成 -> 过滤 -> 合并训练 real_stats = describe(real_samples) # 统计真实样本分布 syn_normal = gen_by_rules("normal_rules.yaml", 4000) # 正常样本生成 syn_susp = gen_by_rules("suspicious_rules.yaml", 800) # 可疑样本生成 syn_all = filter_valid(syn_normal + syn_susp) # 结构校验 + 范围过滤 train_data = merge(real_samples[:300], syn_all) # 只合并入训练集 test_data = real_samples[300:] # 测试集保持真实

第五步，做对比实验。用相同的模型结构，分别训练“仅真实样本”和“真实加合成样本”，再在同一个真实测试集上评估。重点看可疑类别的召回率是否提升，以及正常类别的误报率有没有明显恶化。

我把流程固化成一个经验：先跑通一轮最小实验，确认合成数据能被模型消费、测试集是干净的，再扩大生成量。不要跳过小规模验证直接上全量，否则一旦格式或规则有问题，浪费的是大把生成时间。

5.3 这个案例里最容易忽略的点

最容易忽略的是测试集污染。很多团队在混合数据时不小心把合成样本混进验证集，或者生成时参考了测试集的统计信息，结果评估出来的指标非常漂亮，上线后立刻打回原形。

其次是正样本太少时，要提前确认评估指标。如果只看总体准确率，不平衡数据下很容易虚高。建议重点关注可疑类别的召回率和精确率，必要时单独看该类别在阈值附近的表现。

还有一个经常被忽略的地方：合成样本的分布偏移会随着生成器迭代而被放大。不是每轮迭代都会让分布更接近真实数据。每次调整生成规则后，都要重新做分布对比，不能只盯生成器的损失曲线。

6. 常见翻车点：从现象反推原因

6.1 性能不升反降

现象：加入合成数据后，模型在真实测试集上的效果反而变差了。

优先检查生成数据分布。最典型的原因是合成样本并不符合真实分布的边界条件，比如正常样本生成时把某些参数范围定得太宽，导致模型学到大量无意义的组合。解决办法是先把合成样本比例降回去，再逐项对比特征分布。

另外一个原因是标签噪声。自动标注规则有可能把边界样本标错，合成数据本身没问题，但标签是错的，训练时带偏了整个模型。检查方式是按置信度排序，抽看一批边界样本的人工标注结果。

6.2 多样性崩塌和分布偏移

现象：生成样本看起来很多，但去重分析后发现大量样本非常相似，多样性很低，或者各类别比例严重失衡。

规则驱动生成器容易出现多样性不足，因为随机范围可能限定得太窄。可以增加随机扰动维度，或者在规则里加入更多合法组合。生成模型则容易陷入模式坍塌，尤其是样本量少或训练不稳定时。检查方式很简单：随机抽几十条样本，做特征间的相似度计算，看看重复比例。

还有一种情况是分布偏移。合成数据和真实数据在某个特征维度上差异很大。这往往不是生成器的问题，而是目标分布定义不准确。回到 3.1 的步骤，重新确认统计摘要和业务约束。

6.3 排查顺序

遇到任何生成数据导致的问题，我建议按下面这个顺序排查，不要先怀疑模型。

先看生成质量指标。分布距离、结构合法率、多样性指标是否异常。

再看真实数据和合成数据的重叠情况。如果两者特征分布几乎完全重合且合成数据量很大，模型相当于反复学习了同样的信息；如果几乎不重合，模型可能学到了错误的偏移分布。

再看训练和测试划分。确认测试集没有混入合成样本，确认特征归一化时没有把两组数据合并计算统计量。

最后看下游任务本身的稳定性。小样本下模型效果波动很大，单次实验不能说明问题。可以多次重跑，观察收益是否稳定。

7. 保密合规和工程化落地建议

7.1 合成数据不等于脱敏数据

我特别想强调这一点。生成模型在训练过程中有记忆能力，如果原始样本量少，模型很可能把某些样本原样或近似重现。这在硬件保证场景里非常危险，因为原始样本可能包含未公开设计细节。

所以无论你使用哪种生成方法，都要做隐私检查。做法至少有三种：对生成样本做人工抽检，比对是否存在和真实样本高度相似的内容；对特征字段做最小化处理，只保留任务需要的关键字段，不生成无关细节；条件允许时引入差分隐私训练或噪声注入，降低模型对外部敏感字段的依赖。

7.2 长期维护需要盯的三件事

合成数据一旦进入长期使用，维护成本不比真实数据低。有三件事必须提前安排。

第一是版本管理。生成规则、生成模型权重、随机种子、原始样本版本都要记录。硬件数据的特征分布可能会随工艺节点变化，如果规则不变，后期生成的样本可能早就偏离新场景。

第二是数据血缘。每一条合成样本要能追溯到生成来源。比如这一批样本是哪条规则生成的，用了哪个随机种子，经过了哪些过滤步骤。没有血缘关系，排查问题时根本不知道该从哪里下手。

第三是定期重估。不要认为合成数据生成一次就能一直用。每隔一段时间，用新收集的真实数据重新验证合成数据的分布一致性。如果差异扩大，就要更新生成规则或重新训练生成模型。

7.3 个人建议

如果让我给一个务实的建议，我会说：先从规则驱动和数据增强开始。很多硬件保证任务本身是结构化数据，规则驱动生成器完全够用，成本低、可控性强、易解释。生成模型可以作为第二阶段的选择，在确实需要高维信号建模、并且真实样本数量足够的情况下再引入。

与其追求生成数据的数量，不如先把目标分布定义清楚，把测试集边界守住，把隐私检查纳入固定流程。合成生成在硬件保证领域能否发挥价值，不取决于生成模型多先进，而取决于你对任务的理解和对生成质量的验收机制。先把这层地基打好，合成数据才能真正成为缓解数据稀缺和保密限制的可用工具。