该论文研究的是硬件木马(Hardware Trojan)在寄存器传输级(RTL)被插入后的门级定位问题。硬件木马是芯片设计中被恶意加入的修改,可能破坏功能或窃取敏感数据;当木马在 RTL 阶段植入时威胁尤为严重,因为它会随正常综合流程进入最终网表。经过逻辑综合与优化后,这些 RTL 木马在门级网表中往往被"隐藏"——触发逻辑被优化、面积与时序特征被稀释,导致传统基于金芯片(golden chip)比对的检测方法难以适用。近期研究(包括 ICCAD 2025 相关竞赛)转向"无金芯片"(golden-chip-free)路线,即用机器学习在带标注的门级网表上训练检测/定位模型,但这类方法依赖大量标注数据、模型调参以及可观的计算开销。本文作者提出一个关键观察:即使经过综合与优化,RTL 木马仍然会保留稳定的结构模式与信号流模式,呈现出可识别的子图签名(subgraph signature)。基于这一洞察,作者提出 LoRD——一种轻量级的启发式方法,直接利用这些有针对性的子图与信号流特征进行检测与定位,而不是让通用 ML 模型从零学习特征。在竞赛测试用例上,LoRD 取得了接近完美的检测与定位效果;在植入木马的设计上平均得分达到 2.957(满分 3),优于基于 Transformer 的机器学习基线以及竞赛排名前五的队伍,且不需要额外的训练数据与调参开销。该工作的核心贡献在于:证明门级 RTL 木马定位本质上可以由结构化启发式高效解决,从而对"必须依赖重型机器学习"的假设提出挑战,并为硬件安全防御提供了一条低成本、可解释、易落地的技术路径。适合硬件安全、EDA、验证/DFT 及集成电路供应链安全方向的研究者与工程师阅读。