CN105488531B - 一种嵌入式设备固件解压成功的判断方法 - Google Patents
一种嵌入式设备固件解压成功的判断方法 Download PDFInfo
- Publication number
- CN105488531B CN105488531B CN201510855073.3A CN201510855073A CN105488531B CN 105488531 B CN105488531 B CN 105488531B CN 201510855073 A CN201510855073 A CN 201510855073A CN 105488531 B CN105488531 B CN 105488531B
- Authority
- CN
- China
- Prior art keywords
- firmware
- entropy
- entropy spectrum
- spectrum
- decompression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006837 decompression Effects 0.000 title claims description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 102
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000002790 cross-validation Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims 1
- 238000002759 z-score normalization Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000009401 outcrossing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 241000700605 Viruses Species 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- FOCVUCIESVLUNU-UHFFFAOYSA-N Thiotepa Chemical compound C1CN1P(N1CC1)(=S)N1CC1 FOCVUCIESVLUNU-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及一种嵌入式设备固件解压成功的判断方法，其主要步骤包括：试验样本集固件收集、固件熵谱获取、固件熵谱指纹特征提取、分类器训练及固件是否解压成功的判断。该方法采用处理图像信号的方法对固件熵谱作相应处理，提取了固件熵谱的多域综合特征；利用正向熵阈值和负向熵阈值之间的回差有效避免了熵值在多次穿越单一阈值时所产生的干扰；在训练分类器时，首先对固件熵谱特征作Z‑Score标准化处理，再采用机器学习的思想和K折交叉验证的方法对分类器进行多次交叉重复训练；对于待测试固件，通过加权统计的方法对各分类器判断结果进行累计加权统计，以次数居多者作为对固件是否解压成功的最终判定结果，保证了所得结果的准确性。
Description
技术领域
本发明涉及嵌入式设备固件漏洞挖掘与逆向分析领域，具体涉及一种嵌入式设备固件解压成功的判断方法。
背景技术
随着物联网的兴起，工业4.0的稳步推进，中国制造2025概念的提出，嵌入式设备将会在未来发挥愈来愈重要的作用。然而，由于传统的工控厂商普遍缺乏安全意识，设备生产尤以可用性为前提，由此导致的安全问题也就越来越多，如2010年出现的Stuxnet病毒，2011年出现的Duqu病毒，2012年被发现的Flame病毒等，均给工控企业和国家带来了巨大的损失。因此，对嵌入式设备的漏洞挖掘也就变得至关重要。
嵌入式设备固件是将软件(程序代码或资料)烧录在存储器(FLASH、MEMORY或ROM)上，而后通过采用某种压缩算法(如lzma，gzip，xz，zlib等)进行压缩处理，使得在不知晓具体压缩算法的情况下，无法获取固件内部的程序代码或资料，也就无法对固件的漏洞进行挖掘。固件“解压”即是通过判断其采用的压缩算法，而后采用相应的解压缩算法，将固件内部的程序代码或资料提取出来，通过对其程序代码进行反汇编处理，即可进行漏洞挖掘。
目前，对嵌入式设备的漏洞挖掘主要靠人工借助binwalk、IDAPro等工具来分析，包括固件解压、固件反汇编、固件漏洞挖掘等几个步骤。这几个步骤有着既定的顺序，如果固件不能成功解压，则其就不能进行反汇编(一般情况下，能够解压成功，即可进行反汇编)；若没有进行反汇编，那么，对固件的漏洞挖掘也就成了空谈。现在，针对嵌入式设备固件的解压主要有人工解压和使用工具解压两种，若是批量、大规模对固件实施解压，则只能通过binwalk、BAT等工具或编写自动化解压脚本执行。一般情况下，如果固件能够成功解压，则解压后的可执行文件即可进行反汇编；反之，则不能进行反汇编。目前，缺少一种嵌入式设备固件解压成功的判断方法，给大规模、批量化的固件漏洞挖掘带来了困难。
发明内容
由此可见，如何判断固件是否解压成功显得异常重要。本发明旨在提供一种嵌入式设备固件解压成功的判断方法。
本发明涉及的方法流程主要包括：样本集固件收集、固件熵谱获取、固件熵谱特征提取、特征标准化处理、分类器训练、固件解压成功判断等步骤。本发明的技术创新点在于巧妙地将处理图像信号的方法应用于固件熵谱，提取了固件熵谱的多域(空域、DCT域、DWT小波域等)综合特征，一定程度上兼顾了固件熵谱各域的特性；此外，采用机器学习的思想，并辅以交叉验证的方法，通过分类器进行多次重复训练，确保了所训练分类器的可靠性和稳定性。而后任选一非试验样本集固件，按要求提取其熵谱及熵谱特征，并将此导入已训练好的各分类器，采用加权统计的思想对各分类器的判断结果进行计算，并比较各判断结果(解压成功或失败)出现的加权次数，以次数较多者作为最终的判定结果，亦在一定程度上确保了所得结果的可靠性与正确性。
为实现上述目的，本发明采用如下技术方案：
一种嵌入式设备固件解压成功的判断方法，包括以下步骤：
1)收集嵌入式设备的固件(包括未解压成功的固件和人工认定已解压成功的固件，且已知每个样本固件是否已解压成功)，并将其作为试验样本集；
2)提取步骤1)中试验样本集中所有固件的信息熵谱(简称为固件熵谱)；
3)提取步骤2)中所获取的固件熵谱的指纹特征；
4)针对步骤3)中提取的固件熵谱的指纹特征作标准化处理；
5)采用机器学习的思想，辅以交叉验证的方法，通过分类器对步骤4)中标准化处理后的固件熵谱的指纹特征进行交叉验证重复训练，即可得到一组训练好的分类器，并统计各分类器的判断准确率；
6)任选取一个非试验样本集固件(或称为待测试固件，未知其是否解压成功)，依据步骤2)～3)提取其熵谱及熵谱指纹特征，并将其作为测试样本导入上述训练好的各分类器，记录各分类器的判断结果；而后依据各分类器的判断准确率对其所判断结果进行加权计算(各分类器所占权重依据其在试验样本集中的判断表现而定)，统计加权计算后解压成功或失败的次数；若解压成功次数居多，则认为该固件已成功解压；反之，认为该固件未解压成功。
进一步地，步骤2)中，提取固件的信息熵谱，主要通过编写自动化脚本程序来批量化提取固件的信息熵谱。
进一步地，步骤3)中，提取步骤2)中所获取固件信息熵谱的特征时，计算步骤2)中所获取的固件熵谱的梯度能量，并将其作为固件熵谱的空域特征。
进一步地，步骤3)中，提取步骤2)中所获取固件信息熵谱的特征时，对步骤2)中所获取的固件熵谱作DCT变换(离散余弦变换)，并选择计算DCT系数中拉普拉斯分布尺度参数的方差作为固件熵谱的DCT特征。
进一步地，步骤3)中，提取步骤2)中所获取固件信息熵谱的特征时，对步骤2)中所获取的固件熵谱作二级小波变换，并选择其变换后6个高频子带(LH1，HL1，HH1，LH2，HL2，HH2)的四阶统计矩(期望，方差，偏斜度，峰度)作为固件熵谱的小波域特征。
进一步地，步骤3)中，提取步骤2)中所获取固件信息熵谱的特征时，设定固件熵值的上界和下界，采用施密特触发器算法将固件熵谱二值化，将二值化后高熵段的占比亦作为固件熵谱的特征。
进一步地，步骤4)中，采用Z-Score标准化方法对步骤3)中所提取到的各域固件熵谱特征作标准化处理，一定程度上简化了计算，消除了量纲带来的影响。
进一步地，步骤5)中，采用机器学习的思想，辅以K折交叉验证的方法，通过分类器交叉重复训练，即会得到一组训练好的分类器，并统计各分类器的分类准确率。
进一步地，步骤6)中，采用加权统计的思想对各分类器的判断结果进行计算，比较各判断结果中(解压成功或失败)出现的加权次数，并以次数较多者作为固件是否解压成功的最终判定结果。
本发明可以获得以下有益效果：
本发明在提取固件熵谱的特征时，巧妙地将处理图像信号的方法应用于固件熵谱，从多个角度分析固件熵谱的特性，选择提取梯度能量、DCT系数中拉普拉斯分布尺度参数的方差、二级小波变换后6个高频子带的四阶统计矩共计26维属性作为固件熵谱的特征，扩展了熵谱特征的维度，一定程度上增强了所得结果的可靠性与稳定性。
本发明在提取固件熵谱施密特二值化后的高熵段的占比特征时，通过设置正向熵阈值和负向熵阈值，利用正向熵阈值和负向熵阈值之间的回差有效避免了熵值在多次穿越单一阈值时所产生的干扰。
本发明在对固件熵谱特征进行处理时，采用Z-Score标准化方法对固件熵谱特征作标准化处理，简化了计算，消除了量纲带来的影响，减弱了编译器、处理器等的异构性带来的干扰。
本发明在训练分类器时，采用机器学习的思想，并辅以K折交叉验证的方法，对其进行多次交叉重复训练，确保了所训练分类器的稳定性与可靠性；而后再通过加权统计的方法计算各判断结果的累计加权次数，选择以次数居多者作为对固件是否解压成功的最终判定结果，亦保证了所得结果的准确性。
附图说明
图1为本发明所提出方法的原理框图。
图2(a)为本发明所提出方法中分类器训练的流程框图，图2(b)为本发明所提出方法中判断某未知固件是否解压成功的流程框图。
图3为360某安全路由的固件解压前的熵谱。
图4为360某安全路由的固件解压成功后的熵谱。
图5为360某安全路由的固件熵谱进行施密特二值化后的熵谱。
图6为二级Haar小波变换后的频域分解示意图。
图7为SVM分类器(寻找最优超平面)的原理示意图。
具体实施方式
下面结合示例性实施例对本发明作出具体说明。
该方法的总体流程框图如图2所示。主要包括：
a)首先，收集嵌入式设备的固件(包括未解压成功的固件和人工认定已解压成功的固件，且已知每个样本固件是否已解压成功)，并将其作为试验样本集。
b)通过binwalk的-E命令批量获取每一个样本固件的熵谱。图3为360某安全路由的固件解压前的熵谱，图4为该固件成功解压后的熵谱，在计算样本固件的熵值时，须将固件划分为多个分片(如每个分片取64Bytes)，而后对每一分片计算信息熵，图中横坐标Offset表示当前分片的偏移地址，纵坐标Entropy表示对应偏移地址的熵值。
c)计算b)中所获取固件熵谱的梯度能量，将其作为固件熵谱的空域特征。
对于函数f(i,j)，其坐标(i,j)处的梯度定义为：
对于离散图像信号(本发明将步骤c)中得到的熵谱作为图像信号来处理)I(i,j)，可用差分近似上述公式：
梯度反映的是信号变化率，固件压缩与解压缩前后，其熵谱的梯度将发生比较明显的变化，因此可选择梯度作为空域特征。提取过程如下：
1)计算垂直方向的梯度能量GEV：
其中，NH和NW分别表示图像I的高和宽(像素数)，I(x,y)表示图像I中坐标为(x,y)处的像素值。
2)计算水平方向梯度能量GEH：
3)计算总的梯度能量f1：
f1＝GEV+GEH
本质上，这种梯度计算方法是通过考查固件压缩与解压缩前后其熵谱图像空间平滑度的变化来对熵谱进行分析。
d)对b)中所得固件熵谱作DCT变换，计算DCT系数宏块中拉普拉斯分布的尺度参数的方差，将其作为固件熵谱的DCT域特征。
一般认为，图像信号进行DCT变换后，其宏块内DCT系数服从拉普拉斯分布；其中，每个宏块由4个相连的8×8小块构成，拉普拉斯分布的尺度参数的方差在固件压缩与解压缩前后其熵谱将会发生变化；因此，选取参数的方差作为固件熵谱的DCT域特征。
对一个宏块Ui,Ui中除DC(直流)系数外的所有DCT系数t服从拉普拉斯分布，则t的概率密度函数为：
式中，λ是拉普拉斯分布的尺度参数。
设p(t)＝p(t1,t2,…,tK)为宏块Ui中K个DCT系数tj(非直流系数)的联合概率密度函数，其中K＝4×(64-1)＝252，则似然函数LH(λi)为：
这样，λi的最大似然估计值可由下面对数似然方程解得：
可得：
DCT域特征的提取过程如下：
1)根据上式计算图像中所有宏块的拉普拉斯尺度参数向其中L是图像中宏块的个数。
2)计算拉普拉斯尺度参数向量的期望
3)计算拉普拉斯尺度参数向量的方差Var(λ)：
4)令DCT域上的特征值为FDCT：
FDCT＝Var(λ)
本发明即选取拉普拉斯尺度参数向量的方差作为固件熵谱DCT域的特征。
e)对b)中所得固件熵谱作二级Haar小波变换，得到6个高频子带(LH1，HL1，HH1，LH2，HL2，HH2)，分别对其计算四阶统计矩(期望，方差，偏斜度，峰度)，将得到的24维特征作为固件熵谱的小波域特征。具体提取过程如下：
1)先对图像进行两级Haar小波变换，得到6个高频子带：LH1、HL1、HH1、LH2、HL2及HH2(如图6所示)。
2)分别对6个字带上的小波系数计算四阶统计矩：期望、方差、偏斜度和峰度，这样共有24维特征。对子带小波系数，其期望E(x)、方差Var(x)、偏斜度S(x)和峰度K(x)的计算公式如下：
其中，x是子带小波系数值，这样就可以得到小波域的特征，共24维，记为FDWT。
f)在通过binwalk的–E命令获取固件的信息熵谱时，可添加用于设定固件熵值的上界和下界(默认熵值上界为0.95，下界为0.85)的参数选项，而后采用施密特触发器算法将其分段二值化为高熵段和低熵段，计算高熵段的占比，将其作为固件熵谱的特征。
图5为图4中360某安全路由的固件解压后的熵谱进行施密特二值化(此处设定的固件熵值的上界和下界分别为0.7和0.6)后的结果，由此可计算高熵段的占比约为76％。
综合步骤d)～f)，共计得到27维固件熵谱特征。
g)对步骤d)～f)中得到27维特征进行Z-Score标准化处理。具体处理过程如下：
记训练样本和测试样本的固件熵谱特征为F_TR,F_TE，相应的空域、DCT域和DWT域特征分别记为F_TRSPA,F_TRDCT,F_TRDWT,F_TESPA,F_TEDCT,F_TEDWT。为更好地保留固件熵谱的各域特征，本发明拟计算固件熵谱各域的期望和方差，对高熵段占比特征则暂不做任何处理。
其中，表示训练样本中第i幅固件熵谱的*域特征值(i＝1,2,…,N，N为训练样本的数量)。E_TRSPA,E_TRDCT,E_TRDWT分别表示空域、DCT域和DWT域特征的期望，Var_TRSPA,Var_TRDCT,Var_TRDWT分别表示空域、DCT域和DWT域特征的方差。
而后，对训练样本特征F_TR和测试样本特征F_TE同时按域进行如下缩放操作：
即可得到缩放后的训练样本各域特征值和测试样本各域特征值
将缩放后的三域特征进行综合，再加上固件熵谱进行施密特二值化后的高熵段的占比，则对每一个固件熵谱可得到一个27维的特征向量。
h)采用机器学习的思想，并辅以K折交叉验证的方法(即将提取的到的特征分为K份，选取其中1份作为测试集，其余K-1份作为训练集)，通过SVM分类器交叉验证重复训练K次(确保每一份样本验证一次)，即可得到K个SVM分类器，并计算各分类器的分类准确率。图7为特征向量为二维情况下的SVM分类器原理示意图，图中小圆圈、小圆点均代表样本点，y1、y2分别表示样本点的特征值；H、H1、H2均表示分隔超平面(也叫分离超平面)，其中，H为最优分隔超平面；b表示样本点到分隔平面的距离，其中，距离超平面距离最近的样本点被称为支持向量，即图中黑色小圆点为支持向量。
i)任选一非试验样本集固件(未知其是否被解压或解压成功)，依据步骤b)～f)提取其熵谱及熵谱指纹特征，并将其作为待测样本导入h)中已训练好的K个SVM分类器，分别统计各判断结果(解压成功或失败)出现的加权次数；若解压成功次数居多，则认为该固件已被成功解压；否则，认为该固件未解压成功。
综上所述，本发明公开了一种嵌入式设备固件解压成功的判断方法。上面描述的应用场景和实施例，并非用于限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，可作各种更动和润饰。因此，本发明的保护范围视权利要求范围所界定。
Claims (9)
1.一种嵌入式设备固件解压成功的判断方法，其特征在于，包括以下步骤：
1)收集嵌入式设备的固件，包括未解压成功的固件和人工认定已解压成功的固件，且已知每个样本固件是否解压成功，并将收集的固件作为试验样本集；
2)提取步骤1)中试验样本集中所有固件的固件熵谱；
3)提取步骤2)中所获取的固件熵谱的指纹特征；
4)针对步骤3)中提取的固件熵谱的指纹特征作标准化处理；
5)通过分类器对步骤4)中标准化处理后的固件熵谱的指纹特征进行交叉验证重复训练，得到一组训练好的分类器，并统计各分类器的分类准确率；
6)任选取一个非试验样本集固件，依据步骤2)～3)提取其固件熵谱及固件熵谱的指纹特征，并将其作为测试样本导入上述训练好的各分类器，记录各分类器的判断结果；而后依据各分类器判断准确率对其所判断结果进行加权计算，统计加权计算后解压成功或失败的次数；若解压成功次数居多，则认为该固件已成功解压；反之，认为该固件未解压成功。
2.如权利要求1所述的一种嵌入式设备固件解压成功的判断方法，其特征在于，步骤3)中，在提取固件熵谱的指纹特征时，计算步骤2)中所获取的固件熵谱的梯度能量，并将其作为固件熵谱的空域特征。
3.如权利要求1所述的一种嵌入式设备固件解压成功的判断方法，其特征在于，步骤3)中，在提取固件熵谱的指纹特征时，对步骤2)中所获取的固件熵谱作DCT变换，并选择计算DCT系数中拉普拉斯分布尺度参数的方差作为固件熵谱的DCT特征。
4.如权利要求1所述的一种嵌入式设备固件解压成功的判断方法，其特征在于，步骤3)中，在提取固件熵谱的指纹特征时，对步骤2)中所获取的固件熵谱作二级小波变换，并选择其变换后6个高频子带的四阶统计矩作为固件熵谱的小波域特征，所述四阶统计矩包括期望、方差、偏斜度和峰度。
5.如权利要求1所述的一种嵌入式设备固件解压成功的判断方法，其特征在于，步骤3)中，在提取固件熵谱的指纹特征时，设定固件熵值的上界和下界，采用施密特触发器算法将固件熵谱二值化，将二值化后高熵段的占比亦作为固件熵谱的指纹特征。
6.如权利要求2～5中任一项所述的一种嵌入式设备固件解压成功的判断方法，其特征在于，步骤3)在提取固件熵谱的指纹特征时，从多个角度分析固件熵谱的指纹特征，兼顾固件熵谱的各域特性，并将处理图像信号的方法应用于固件熵谱，以扩展所提取的固件熵谱的指纹特征的维度。
7.如权利要求1所述的一种嵌入式设备固件解压成功的判断方法，其特征在于，步骤4)中，采用Z-Score标准化方法对步骤3)中所提取到的各域固件熵谱的指纹特征作标准化处理。
8.如权利要求1所述的一种嵌入式设备固件解压成功的判断方法，其特征在于，步骤5)中，所述交叉验证为K折交叉验证，即将提取的到的特征分为K份，选取其中1份作为测试集，其余K-1份作为训练集，通过分类器交叉验证重复训练K次，即可得到K个分类器，并计算各分类器的分类准确率。
9.如权利要求1所述的一种嵌入式设备固件解压成功的判断方法，其特征在于，步骤6)中，采用加权统计的方法对各分类器的判断结果进行计算，比较各判断结果中解压成功或失败出现的加权次数，并以次数较多者作为固件是否解压成功的最终判定结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510855073.3A CN105488531B (zh) | 2015-11-30 | 2015-11-30 | 一种嵌入式设备固件解压成功的判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510855073.3A CN105488531B (zh) | 2015-11-30 | 2015-11-30 | 一种嵌入式设备固件解压成功的判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105488531A CN105488531A (zh) | 2016-04-13 |
| CN105488531B true CN105488531B (zh) | 2018-10-16 |
Family
ID=55675502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510855073.3A Active CN105488531B (zh) | 2015-11-30 | 2015-11-30 | 一种嵌入式设备固件解压成功的判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105488531B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733151B (zh) * | 2021-01-14 | 2024-08-16 | 广东银基信息安全技术有限公司 | 嵌入式设备固件解析方法、装置、介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551864A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于频域方向特征相关性的图像分类方法 |
| CN102930495A (zh) * | 2012-10-16 | 2013-02-13 | 中国科学院信息工程研究所 | 一种基于隐写测评的隐写分析方法 |
| CN104301733A (zh) * | 2014-09-06 | 2015-01-21 | 南京邮电大学 | 一种基于特征融合的视频隐写盲检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7925080B2 (en) * | 2006-01-13 | 2011-04-12 | New Jersey Institute Of Technology | Method for identifying marked images based at least in part on frequency domain coefficient differences |
| US8023747B2 (en) * | 2007-02-09 | 2011-09-20 | New Jersey Institute Of Technology | Method and apparatus for a natural image model based approach to image/splicing/tampering detection |
-
2015
- 2015-11-30 CN CN201510855073.3A patent/CN105488531B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551864A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于频域方向特征相关性的图像分类方法 |
| CN102930495A (zh) * | 2012-10-16 | 2013-02-13 | 中国科学院信息工程研究所 | 一种基于隐写测评的隐写分析方法 |
| CN104301733A (zh) * | 2014-09-06 | 2015-01-21 | 南京邮电大学 | 一种基于特征融合的视频隐写盲检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105488531A (zh) | 2016-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106443379B (zh) | 变压器局部放电故障类型的识别方法和装置 | |
| US10539613B2 (en) | Analog circuit fault diagnosis method using single testable node | |
| Wu et al. | A highly efficient method for blind image quality assessment | |
| CN104751169B (zh) | 高铁钢轨伤损分类方法 | |
| CN108289222B (zh) | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 | |
| CN103198251B (zh) | 一种基于神经网络的硬件木马识别方法 | |
| EP3588381A1 (en) | Method and apparatus for training classification model, method and apparatus for classifying | |
| CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
| CN106199267B (zh) | 一种电力设备故障特征分析方法 | |
| CN104036296B (zh) | 一种图像的表示和处理方法及装置 | |
| CN103037212A (zh) | 基于视觉感知的自适应块压缩传感图像编码方法 | |
| CN102880875A (zh) | 基于lrr图的半监督学习人脸识别方法 | |
| CN104346628B (zh) | 基于多尺度多方向Gabor特征的车牌汉字识别方法 | |
| Wang et al. | Image classification towards transmission line fault detection via learning deep quality-aware fine-grained categorization | |
| CN106650696B (zh) | 一种基于奇异值分解的手写电气元件符号识别方法 | |
| CN109740592B (zh) | 基于记忆的图像质量无参评估方法 | |
| WO2021098620A1 (zh) | 一种文件碎片分类方法及系统 | |
| CN105868711B (zh) | 一种基于稀疏低秩的人体行为识别方法 | |
| CN103824062A (zh) | 基于非负矩阵分解的分部位人体运动识别方法 | |
| CN105488531B (zh) | 一种嵌入式设备固件解压成功的判断方法 | |
| CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
| CN107180419B (zh) | 一种基于pca网络的中值滤波检测方法 | |
| Gu et al. | Learning quality-aware filters for no-reference image quality assessment | |
| CN102609732A (zh) | 基于泛化视觉词典图的物体识别方法 | |
| CN116796187A (zh) | 一种输电线局部放电检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Shi Zhiqiang Inventor after: Liu Zhongjin Inventor after: Wang Mengtao Inventor after: Chen Yu Inventor after: Chang Qing Inventor after: Sun Limin Inventor after: He Yueying Inventor before: Shi Zhiqiang Inventor before: Liu Zhongjin Inventor before: Wang Mengtao Inventor before: Chen Yu Inventor before: Chang Qing Inventor before: Sun Limin |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170608 Address after: 100093 Beijing city Haidian District minzhuang Road No. 89 Applicant after: Institute of Information Engineering, Gas Applicant after: State Computer Network and Information Safety Management Center Address before: 100093 Beijing city Haidian District minzhuang Road No. 89 Applicant before: Institute of Information Engineering, Gas |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |