CN108680796A - 用于计算机显示器的电磁信息泄漏检测系统及方法 - Google Patents
用于计算机显示器的电磁信息泄漏检测系统及方法 Download PDFInfo
- Publication number
- CN108680796A CN108680796A CN201810473241.6A CN201810473241A CN108680796A CN 108680796 A CN108680796 A CN 108680796A CN 201810473241 A CN201810473241 A CN 201810473241A CN 108680796 A CN108680796 A CN 108680796A
- Authority
- CN
- China
- Prior art keywords
- signal
- electromagnetic
- information leakage
- module
- electromagnetic information
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0871—Complete apparatus or systems; circuits, e.g. receivers or amplifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
- G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
- G01R29/0857—Dosimetry, i.e. measuring the time integral of radiation intensity; Level warning devices for personal safety use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
- G06F21/82—Protecting input, output or interconnection devices
- G06F21/84—Protecting input, output or interconnection devices output devices, e.g. displays or monitors
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Shielding Devices Or Components To Electric Or Magnetic Fields (AREA)
Abstract
本发明涉及一种用于计算机显示器的电磁信息泄漏检测系统及方法,该系统包括用于将显示器的电磁辐射截获接收并通过高速A/D采样且将该信号保存为时域数字信号的获取模块、利用傅里叶变换将时域数字信号转换为频域信号的信号转换模块;利用人工智能深度学习算法对电磁信号进行检测的检测模块、将时域数字信号、频域信号以及检测结果予以可视化图形图表展示出来的展示模块;获取模块通过信号转换模块与检测模块相连;获取模块、信号转换模块以及检测模块分别与展示模块相连。本发明能从计算机显示器辐射的电磁信号中自动检测并判定电磁信息泄漏、可为显示器电磁信息安全提供评估依据和技术保障。
Description
技术领域
本发明属于信息安全领域,涉及一种电磁信息泄漏检测系统及方法,尤其涉及一种用于计算机显示器的电磁信息泄漏检测系统及方法。
背景技术
传统的信息安全软件系统主要针对的是信息有意传输过程(例如,互联网以及无线通信)的安全问题。然而,计算机等电子信息设备在处理信息的过程中,会不可避免的向周围环境发射电磁波,产生无意的、非主观通信的电磁辐射。由于这些无意辐射的电磁信号不仅频谱成份丰富,而且携带着大量有用信息,对其展开截获复现将给信息的安全构成严重的威胁。但人们往往只重视网络攻击、安全漏洞和计算机病毒等安全问题,却忽视了信息设备电磁辐射造成的电磁信息泄漏问题。利用电子信息设备尤其是显示器的电磁信息泄漏窃取机密信息,已成为国内外情报机关获取信息的重要途径。因此,研究电磁信息泄漏的检测技术是保障电磁信息安全的迫切需求。而传统电磁信息泄漏检测方法从电磁泄漏机理,电磁波构成原理的方面出发,检测电磁信号中的泄漏特征。由于电磁泄漏信号信噪比低,提取信号特征很困难。
发明内容
为了解决背景技术中存在的上述技术问题,本发明提供了一种能从计算机显示器辐射的电磁信号中自动检测并判定电磁信息泄漏、可为显示器电磁信息安全提供评估依据和技术保障的用于计算机显示器的电磁信息泄漏检测系统及方法。
为了实现上述目的,本发明采用如下技术方案:
一种用于计算机显示器的电磁信息泄漏检测系统,所述用于计算机显示器的电磁信息泄漏检测系统包括用于将显示器的电磁辐射截获接收并通过高速A/D采样且将截获接收到的信号保存为时域数字信号的获取模块、利用傅里叶变换将获取模块采集得到的时域数字信号转换为频域信号的信号转换模块;利用人工智能深度学习算法对频域信号进行检测的检测模块、将获取模块采集得到的时域数字信号、将信号转换模块转换得到的频域信号以及检测模块检测并得到检测结果予以可视化图形图表展示出来的展示模块;所述获取模块通过信号转换模块与检测模块相连;所述获取模块、信号转换模块以及检测模块分别与展示模块相连。
作为优选,本发明所提供的用于计算机显示器的电磁信息泄漏检测系统还包括将获取模块采集得到的时域数字信号处理后复现于显示器中进行视频信息显示的图像复现模块;所述获取模块与图像复现模块相连。
一种基于如上所述的用于计算机显示器的电磁信息泄漏检测系统的电磁信息泄漏检测主机,所述电磁信息泄漏检测主机包括信号接收机、数据采集卡以及用于计算机显示器的电磁信息泄漏检测系统;所述信号接收机通过数据采集卡与用于计算机显示器的电磁信息泄漏检测系统相连。
作为优选,本发明所提供的电磁信息泄漏检测主机还包括分别与信号接收机相连的电流探头以及接收天线。
作为优选,本发明所提供的数据采集卡是采样率不大于1.25Gs/S的高速A/D采样器;所述信号接收机的型号是NI PXIe-5162;所述电流探头的型号是TPC0-CP-01,LangerRF4-E set。
一种基于如上所述的用于计算机显示器的电磁信息泄漏检测系统的电磁信息泄漏检测方法,所述方法包括以下步骤:
步骤S10)获取模块获取电磁信息泄漏检测主机上通过接收机的中频滤波和数据采集卡的A/D转换后的电磁辐射数字信号;
步骤S11)信号转换模块利用傅里叶变换方法对步骤S10)获取得到的电磁辐射数字信号进行时频转换处理;
步骤S12)检测模块利用电磁信息特征构建电磁信息特征动态数据库,利用深度学习方法提取电磁信息特征;
步骤S13)利用卷积神经网络来判定检测模块是否检测出符合信息泄漏特征的电磁信号;若检测模块未检测出电磁信息泄漏,则执行步骤S14);若检测模块检测出电磁信息泄漏,则执行步骤S15);
步骤S14)判定当前电磁信号中无电磁信息泄漏,同时结束并退出检测;
步骤S15)当检测模块检测出电磁信息泄漏时,则判定存在电磁信息泄漏的前提下,由展示模块利用虚拟仪器技术可视化展示电磁信息泄漏频谱。
作为优选,本发明所提供的步骤S12)中电磁信息特征动态数据库的构建原则是:根据电磁泄漏信号存在的时间、幅度、频率以及波形特征,建立符合现场复杂电磁环境的多维电磁特征向量;随着数据库样本的增长,在电磁信号的时、频、能量特性基础上,通过信号预处理改善特征向量维度;在实现电磁信号特征向量多维度表示的基础上,从现场检测的电磁信号中提取信息泄漏特征样本;并基于人工智能的训练、分类、识别过程,构建电磁泄漏信息特征分析识别样本数据库。
作为优选,本发明所提供的步骤S12)中电磁信息特征动态数据库的具体构建方式是:
步骤S12-1)电磁信息泄漏信号预处理:利用小波去噪对获取的电磁信息泄漏信号进行预处理;
步骤S12-2)电磁信号特征提取:在信号提取技术的基础上,分别在时域、频域以及能量域进行特征分析,建立多维度信号特征表示向量,其中包括峰值特征、包络特征以及谐波特征;通过提取样本特征,压缩样本存储容量,改善信号特征样本;
步骤S12-3)样本训练:利用人工智能深度学习的卷积神经网络技术,针对特征提取后的信号多维向量,设计信号特征编码器,构建人工神经网络进行逐层训练;训练使用二层卷积神经网络,得到一个分类模型,用于识别新样本是否存在电磁信息泄漏,并归类到已知的泄漏类型中;
采用的卷积层:通过卷积运算,将输入的样本映射成新的二维矩阵;假设卷积神经网络的输人特征为X,第i层的特征图为Mi,CNN的主要过程可以表示为公式(a):
其中:
Wi为第i层的卷积核的权值向量;
Mi-1与Wi在卷积层进行卷积运算;
bi是第i层的偏置向量;
f(x)为激励函数;
在卷积过程中,卷积核通过滑动与输入特征作重复的卷积操作,构建出新的特征;
所述激励函数采用的线性整流单元;使用Dropout修剪网络,将神经网络中的节点丢弃;利用MaxPooling,对训练中的电磁信号降采样,去除冗余信息;
步骤S12-4)分类识别:利用训练得到的分类模型,对待测样本进行分类识别;同时将识别后目标样本写入数据库,实现数据库记录动态自增长。
作为优选,本发明所提供的电磁信息泄漏检测方法在步骤S15)之后还包括:
步骤S16)选择是否需要重构复现视频图像,若是,则通过图像复现模块利用数字信号处理技术从电磁辐射泄漏信号中重建原始视频图像;若否,则结束检测。
本发明的优点是:
本发明提供了一种用于计算机显示器的电磁信息泄漏检测系统及方法,该用于计算机显示器的电磁信息泄漏检测系统包括用于将显示器的电磁辐射截获接收并通过高速A/D采样且将截获接收到的信号保存为时域数字信号的获取模块、利用傅里叶变换将获取模块采集得到的时域数字信号转换为频域信号的信号转换模块;利用人工智能深度学习算法对频域信号进行检测的检测模块、将获取模块采集得到的时域数字信号、将信号转换模块转换得到的频域信号以及检测模块检测并得到检测结果予以可视化图形图表展示出来的展示模块;获取模块通过信号转换模块与检测模块相连;获取模块、信号转换模块以及检测模块分别与展示模块相连。相较于现有技术,上述显示器视频信息泄漏检测系统及方法,能从计算机显示器辐射的电磁信号中自动检测、判定电磁信息泄漏,并从中复现原始视频图像。检测结果可以为显示器电磁信息安全提供评估依据和技术保障。一种基于卷积神经网络(人工智能)的显示器电磁信息泄漏检测方法,获取天线及接收机采集的电磁辐射信号;利用人工智能的深度学习算法(卷积神经网络)检测电磁信息泄漏;利用虚拟仪器技术图形化显示回放泄漏频点信息;利用数字信号处理技术从泄漏频谱信号中复现显示器中图像。本技术还提供一种显示器电磁信息泄漏检测系统。通过本发明所提供的电磁信息泄漏检测系统及方法,能从显示器辐射的电磁信号中检测出可能的信息泄漏,并重构复现显示器中的视频图像。利用本系统可以及时有效地发现电磁信息安全漏洞,进而采取相应的防护措施。现有技术都从信号产生的原理分析出发,进而针对性地提取信号中的特征,通过已知的特征来检测识别信号。但在实践环境中,特征信号十分微弱,淹没在强大的背景噪声中,极难提取。采用本技术,用人工智能的深度学习,让机器自主学习发现人无法理解的信号特征,可以突破传统方法的特征提取瓶颈,提供检测识别的准确率和环境适应性。本发明能针对视频播放过程中,显示器产生电磁辐射频谱数据进行检测,分析其是否存在视频信息泄漏安全隐患。
附图说明
图1是本发明所提供的用于计算机显示器的电磁信息泄漏检测系统的应用环境示意图;
图2是本发明所提供的用于计算机显示器的电磁信息泄漏检测系统的功能模块图;
图3是本发明所提供的电磁信息泄漏检测方法的较佳实施例的流程图;
图4是本发明所采用的电磁信息特征动态数据库构建流程图;
图5是本发明所采用的构建人工神经网络进行逐层训练流程图;
其中:
1-目标显示器;2-接收天线;3-电磁信息泄漏检测主机;31-电磁信号接收机;32-高速数据采集卡;33-电磁信息泄漏检测系统;331-获取模块;332-信号转换模块;333-检测模块;334-展示模块;335-图像复现模块。
具体实施方式
实施例:
如图1所示,是电磁信息泄漏检测系统的应用环境图。电磁信息泄漏检测系统33应用于电磁信息泄漏检测主机3中,用来检测显示器1辐射的电磁信号中是否存在信息泄漏。显示器1辐射的电磁信号通过接收天线2进入电磁信息泄漏检测主机3中。电磁辐射信号依次经过接收机31的中频滤波和高速数据采集卡32的A/D转换,保存成本地文件。电磁信息泄漏检测系统33获取本地文件中的电磁信号数据,进行信息泄漏检测和图像复现,结果可以直接输出到显示设备或者保存为本地文件。
参见图2,各模块如何工作或实现相关功能:
1)获取模块(硬件为主):利用信号接收机+前端采集装置(电流探头、定向天线等)将显示器的电磁辐射截获接收,并通过高速A/D采样(最高可达1.25Gs/S采样率)将信号保存为时域数字信号。
2)信号转换模块:利用傅里叶变换,将采集时域信号转换为频域信号。
3)检测模块:利用人工智能深度学习算法对转换的信号进行检测。
4)展示模块:根据需要将之前采集的时域、频域信号,以及检测结果以可视化图形图表展示出来。
5)图像复现模块:将模块1获取的时间信号处理后复现显示器中显示的视频信息。
信号接收机的型号是NI PXIe-5162;电流探头的型号是TPC0-CP-01,Langer RF4-E set;其余软件算法均在计算机上实现(可将所有硬件集成在一个机箱内,也可将获取模块的硬件独立,其他模块都在PC运行)。
如图2所示,上述电磁信息泄漏检测系统33包括一个或者多个模块,上述模块包括获取模块331、信号转换模块332、检测模块333、展示模块334、图像复现模块335。在本实施例中,关于各模块的功能将在图3的流程图中具体描述。
参见图3所示,是本发明所提供的电磁信息泄漏检测系统的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。如应用场景为快速检测,无需复现原始图像,可省略S17步骤。
步骤S10,获取模块331获取电磁信息泄漏检测主机3上通过接收机31的中频滤波和高速数据采集卡32的A/D转换后的电磁辐射数字信号。
步骤S11,信号转换模块332利用傅里叶变换方法对获取的电磁辐射数据进行时频转换处理。
步骤S12,检测模块333利用电磁信息特征构建电磁信息特征动态数据库,利用深度学习方法提取电磁信息特征。
步骤S13,判断模块333用卷积神经网络(统计值)来判定是否检测出符合信息泄漏特征的电磁信号。当模块333未检测出电磁信息泄漏,执行步骤S14;否则执行步骤S15。
步骤S14,判定当前电磁信号中无电磁信息泄漏,结束流程。
步骤S15,在S13判定存在电磁信息泄漏的前提下,展示模块334利用虚拟仪器技术可视化展示电磁信息泄漏频谱。
步骤S16,选择是否需要重构复现显示器1中的视频图像,选择是执行步骤S17;选择否,则接收流程。
步骤S17,图像复现模块335利用数字信号处理技术从电磁辐射泄漏信号中重建原始视频图像。
其中,在步骤S12中所提及的电磁信息特征动态数据库的构建基于以下原则:根据电磁泄漏信号存在的时间、幅度、频率、波形等特征,建立符合现场复杂电磁环境的多维电磁特征向量。随着数据库样本的增长,在电磁信号的时、频、能量特性基础上,通过信号预处理改善特征向量维度。在实现电磁信号特征向量多维度表示的基础上,从现场检测的电磁信号中提取信息泄漏特征样本。并基于人工智能的训练、分类、识别过程,构建电磁泄漏信息特征分析识别样本数据库。电磁信息特征动态数据库构建流程如图4所示:
电磁信息特征动态数据库的具体构建过程如下:
1)电磁信息泄漏信号预处理:利用小波去噪对获取的电磁信息泄漏信号进行预处理,以增强样本信噪比,提高信号样本质量。
2)电磁信号特征提取:在信号提取技术的基础上,融合前期研究的红信号先验知识,分别在时域、频域、能量域进行特征分析,从而建立多维度信号特征表示向量,其中包括峰值特征、包络特征、谐波特征等。通过提取样本特征,进而压缩样本存储容量,改善信号特征样本。
为特征抽取后的样本加上分类标定,构成训练样本集。样本的基本格式,举例描述如下表。
样例编号 | 样本数据 | 样本分类 |
1 | 显示器A工作时提取的电磁信号特征离散序列 | 显示器A电磁信息泄漏 |
2 | 显示器B工作时提取的电磁信号特征离散序列 | 显示器B电磁信息泄漏 |
3 | 无显示器开机时提取的电磁信号特征离散序列 | 环境噪声 |
3)样本训练:利用人工智能深度学习的卷积神经网络技术,针对特征提取后的信号多维向量,设计信号特征编码器,构建人工神经网络进行逐层训练。训练过程如图5,训练使用了二层卷积神经网络,得到一个分类模型,用于识别新样本是否存在电磁信息泄漏,并归类到已知的泄漏类型中。
3.1)卷积层:通过卷积运算,将输入的样本映射成新的二维矩阵。假设卷积神经网络的输人特征为X,第i层的特征图为Mi,CNN的主要过程可以表示为公式(a)。
其中,Wi为第i层的卷积核的权值向量,Mi-1与Wi在卷积层进行卷积运算。bi是第i层的偏置向量。在卷积过程中,卷积核通过滑动与输入特征作重复的卷积操作,构建出新的特征。
3.2)线性整流单元(Relu):公式(a)中的f(x)为激励函数,本发明中使用线性整流单元(Relu)作为激励函数,可以降低整个网络的计算量,同时解决sigmoid函数反向传播的梯度消失情况,并造成了网络的稀疏性,减少了参数的相互依存关系,缓解了过拟合问题的发生。
3.3)修剪网络(Dropout):由于神经网络规模庞大,且容易过拟合,本发明使用Dropout修剪网络。按照一定的概率将神经网络中的节点丢弃,防止过拟合并提高训练效果。
3.4)数据降采样(MaxPooling):本发明利用MaxPooling,对训练中的电磁信号降采样,去除冗余信息。
4)分类识别:基于上述步骤建立的特征动态数据库,利用训练得到的分类模型,对待测样本进行分类识别。
分类识别效果如下:
测试样本类型 | 测试样本数 | 准确率 |
显示器A的泄漏信号 | 1999 | 99% |
显示器B的泄漏信号 | 1999 | 99% |
无泄漏背景噪声 | 1562 | 100% |
同时将识别后目标样本写入数据库,实现数据库记录动态自增长。
本发明属于应用创新,其中所采用的CNN(卷积神经网络)为已有的人工智能算法,本发明首次将CNN应用于电磁信息泄漏检测,并在应用过程中将CNN作相应调整。调整的部分主要在样本的表示,以适应CNN算法。
Claims (9)
1.一种用于计算机显示器的电磁信息泄漏检测系统,其特征在于:所述用于计算机显示器的电磁信息泄漏检测系统包括用于将显示器的电磁辐射截获接收并通过高速A/D采样且将截获接收到的信号保存为时域数字信号的获取模块(331)、利用傅里叶变换将获取模块(331)采集得到的时域数字信号转换为频域信号的信号转换模块(332);利用人工智能深度学习算法对频域信号进行检测的检测模块(333)、将获取模块(331)采集得到的时域数字信号、将信号转换模块(332)转换得到的频域信号以及检测模块(333)检测并得到检测结果予以可视化图形图表展示出来的展示模块(334);所述获取模块(331)通过信号转换模块(332)与检测模块(333)相连;所述获取模块(331)、信号转换模块(332)以及检测模块(333)分别与展示模块(334)相连。
2.根据权利要求1所述的用于计算机显示器的电磁信息泄漏检测系统,其特征在于:所述用于计算机显示器的电磁信息泄漏检测系统还包括将获取模块(331)采集得到的时域数字信号处理后复现于显示器中进行视频信息显示的图像复现模块(335);所述获取模块(331)与图像复现模块(335)相连。
3.一种基于如权利要求1或2所述的用于计算机显示器的电磁信息泄漏检测系统的电磁信息泄漏检测主机,其特征在于:所述电磁信息泄漏检测主机包括信号接收机(31)、数据采集卡(32)以及权利要求1或2所述的用于计算机显示器的电磁信息泄漏检测系统;所述信号接收机(31)通过数据采集卡(32)与用于计算机显示器的电磁信息泄漏检测系统相连。
4.根据权利要求3所述的电磁信息泄漏检测主机,其特征在于:所述电磁信息泄漏检测主机还包括分别与信号接收机(31)相连的电流探头以及接收天线(2)。
5.根据权利要求4所述的电磁信息泄漏检测主机,其特征在于:所述数据采集卡(32)是采样率不大于1.25Gs/S的高速A/D采样器;所述信号接收机(31)的型号是NI PXIe-5162;所述电流探头的型号是TPC0-CP-01,Langer RF4-E set。
6.一种基于如权利要求5所述的用于计算机显示器的电磁信息泄漏检测系统的电磁信息泄漏检测方法,其特征在于:所述方法包括以下步骤:
步骤S10)获取模块(331)获取电磁信息泄漏检测主机(3)上通过接收机(31)的中频滤波和数据采集卡(32)的A/D转换后的电磁辐射数字信号;
步骤S11)信号转换模块(332)利用傅里叶变换方法对步骤S10)获取得到的电磁辐射数字信号进行时频转换处理;
步骤S12)检测模块(333)利用电磁信息特征构建电磁信息特征动态数据库,利用深度学习方法提取电磁信息特征;
步骤S13)用卷积神经网络来判定检测模块(333)是否检测出符合信息泄漏特征的电磁信号;若检测模块(333)未检测出电磁信息泄漏,则执行步骤S14);若检测模块(333)检测出电磁信息泄漏,则执行步骤S15);
步骤S14)判定当前电磁信号中无电磁信息泄漏,同时结束并退出检测;
步骤S15)当检测模块(333)检测出电磁信息泄漏时,则判定存在电磁信息泄漏的前提下,由展示模块(334)利用虚拟仪器技术可视化展示电磁信息泄漏频谱。
7.根据权利要求6所述的电磁信息泄漏检测方法,其特征在于:所述步骤S12)中电磁信息特征动态数据库的构建原则是:根据电磁泄漏信号存在的时间、幅度、频率以及波形特征,建立符合现场复杂电磁环境的多维电磁特征向量;随着数据库样本的增长,在电磁信号的时、频、能量特性基础上,通过信号预处理改善特征向量维度;在实现电磁信号特征向量多维度表示的基础上,从现场检测的电磁信号中提取信息泄漏特征样本;并基于人工智能的训练、分类、识别过程,构建电磁泄漏信息特征分析识别样本数据库。
8.根据权利要求7所述的电磁信息泄漏检测方法,其特征在于:所述步骤S12)中电磁信息特征动态数据库的具体构建方式是:
步骤S12-1)电磁信息泄漏信号预处理:利用小波去噪对获取的电磁信息泄漏信号进行预处理;
步骤S12-2)电磁信号特征提取:在信号提取技术的基础上,分别在时域、频域以及能量域进行特征分析,建立多维度信号特征表示向量,其中包括峰值特征、包络特征以及谐波特征;通过提取样本特征,压缩样本存储容量,改善信号特征样本;
步骤S12-3)样本训练:利用人工智能深度学习的卷积神经网络技术,针对特征提取后的信号多维向量,设计信号特征编码器,构建人工神经网络进行逐层训练;训练使用二层卷积神经网络,得到一个分类模型,用于识别新样本是否存在电磁信息泄漏,并归类到已知的泄漏类型中;
采用的卷积层:通过卷积运算,将输入的样本映射成新的二维矩阵;假设卷积神经网络的输人特征为X,第i层的特征图为Mi,CNN的主要过程可以表示为公式(a):
其中:
Wi为第i层的卷积核的权值向量;
Mi-1与Wi在卷积层进行卷积运算;
bi是第i层的偏置向量;
f(x)为激励函数;
在卷积过程中,卷积核通过滑动与输入特征作重复的卷积操作,构建出新的特征;
所述激励函数采用的线性整流单元;使用Dropout修剪网络,将神经网络中的节点丢弃;利用MaxPooling,对训练中的电磁信号降采样,去除冗余信息;
步骤S12-4)分类识别:利用训练得到的分类模型,对待测样本进行分类识别;同时将识别后目标样本写入数据库,实现数据库记录动态自增长。
9.根据权利要求6或7或8所述的电磁信息泄漏检测方法,其特征在于:所述电磁信息泄漏检测方法在步骤S15)之后还包括:
步骤S16)选择是否需要重构复现视频图像,若是,则通过图像复现模块(335)利用数字信号处理技术从电磁辐射泄漏信号中重建原始视频图像;若否,则结束检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810473241.6A CN108680796B (zh) | 2018-05-17 | 2018-05-17 | 用于计算机显示器的电磁信息泄漏检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810473241.6A CN108680796B (zh) | 2018-05-17 | 2018-05-17 | 用于计算机显示器的电磁信息泄漏检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108680796A true CN108680796A (zh) | 2018-10-19 |
CN108680796B CN108680796B (zh) | 2023-09-19 |
Family
ID=63806460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810473241.6A Active CN108680796B (zh) | 2018-05-17 | 2018-05-17 | 用于计算机显示器的电磁信息泄漏检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108680796B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633289A (zh) * | 2018-12-28 | 2019-04-16 | 集美大学 | 一种基于倒谱和卷积神经网络的电磁红信息检测方法 |
CN110163099A (zh) * | 2019-04-17 | 2019-08-23 | 中国电子科技网络信息安全有限公司 | 一种基于电磁泄漏信号的异常行为识别装置与方法 |
CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
CN110728175A (zh) * | 2019-08-30 | 2020-01-24 | 中国电子科技网络信息安全有限公司 | 一种用于无线网络的电磁信号红黑识别装置与识别方法 |
CN111949988A (zh) * | 2020-07-03 | 2020-11-17 | 中国电子科技网络信息安全有限公司 | 一种针对物理隔离计算机的电磁漏洞主动检测系统及方法 |
CN112232129A (zh) * | 2020-09-17 | 2021-01-15 | 厦门熙重电子科技有限公司 | 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法 |
CN112528508A (zh) * | 2020-12-17 | 2021-03-19 | 航天恒星科技有限公司 | 电磁可视化方法和装置 |
CN112858796A (zh) * | 2021-01-20 | 2021-05-28 | 中国电子科技集团公司第三十三研究所 | 一种电磁泄漏时域信号特征的识别系统及方法 |
CN114372493A (zh) * | 2022-01-12 | 2022-04-19 | 集美大学 | 一种计算机线缆电磁泄漏特征分析方法 |
CN115087341A (zh) * | 2022-07-21 | 2022-09-20 | 北京中超伟业信息安全技术股份有限公司 | 一种基于波导窗的电磁信号加扰方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495381A (zh) * | 2011-12-18 | 2012-06-13 | 河海大学常州校区 | 感应式电磁泄漏检测装置及其检测方法 |
CN104569566A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 绝缘子高压端泄漏电流测量装置 |
JP2016091204A (ja) * | 2014-10-31 | 2016-05-23 | 日本電信電話株式会社 | 電磁的情報漏洩評価システムおよびその方法 |
US20170061258A1 (en) * | 2015-08-25 | 2017-03-02 | Nokia Technologies Oy | Method, apparatus, and computer program product for precluding image capture of an image presented on a display |
CN109633289A (zh) * | 2018-12-28 | 2019-04-16 | 集美大学 | 一种基于倒谱和卷积神经网络的电磁红信息检测方法 |
CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
CN110969123A (zh) * | 2019-12-02 | 2020-04-07 | 集美大学 | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 |
CN112232129A (zh) * | 2020-09-17 | 2021-01-15 | 厦门熙重电子科技有限公司 | 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法 |
CN114116957A (zh) * | 2021-04-02 | 2022-03-01 | 集美大学 | 一种基于知识图谱的电磁信息泄漏智能分析方法 |
CN114372493A (zh) * | 2022-01-12 | 2022-04-19 | 集美大学 | 一种计算机线缆电磁泄漏特征分析方法 |
-
2018
- 2018-05-17 CN CN201810473241.6A patent/CN108680796B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495381A (zh) * | 2011-12-18 | 2012-06-13 | 河海大学常州校区 | 感应式电磁泄漏检测装置及其检测方法 |
JP2016091204A (ja) * | 2014-10-31 | 2016-05-23 | 日本電信電話株式会社 | 電磁的情報漏洩評価システムおよびその方法 |
CN104569566A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 绝缘子高压端泄漏电流测量装置 |
US20170061258A1 (en) * | 2015-08-25 | 2017-03-02 | Nokia Technologies Oy | Method, apparatus, and computer program product for precluding image capture of an image presented on a display |
CN109633289A (zh) * | 2018-12-28 | 2019-04-16 | 集美大学 | 一种基于倒谱和卷积神经网络的电磁红信息检测方法 |
CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
CN110969123A (zh) * | 2019-12-02 | 2020-04-07 | 集美大学 | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 |
CN112232129A (zh) * | 2020-09-17 | 2021-01-15 | 厦门熙重电子科技有限公司 | 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法 |
CN114116957A (zh) * | 2021-04-02 | 2022-03-01 | 集美大学 | 一种基于知识图谱的电磁信息泄漏智能分析方法 |
CN114372493A (zh) * | 2022-01-12 | 2022-04-19 | 集美大学 | 一种计算机线缆电磁泄漏特征分析方法 |
Non-Patent Citations (4)
Title |
---|
JINMING LIU ET AL: "A Detecting Method of Electromagnetic Emanations Based on Virtual Instrument" * |
张洪欣等: "计算机视频电磁泄漏文字图像的识别" * |
茅剑: "基于卷积神经网络的电磁信息泄漏检测方法研究" * |
茅剑等: "一种基于深度学习的电磁信息泄漏检测方法" * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633289A (zh) * | 2018-12-28 | 2019-04-16 | 集美大学 | 一种基于倒谱和卷积神经网络的电磁红信息检测方法 |
CN110163099B (zh) * | 2019-04-17 | 2022-04-01 | 中国电子科技网络信息安全有限公司 | 一种基于电磁泄漏信号的异常行为识别装置与方法 |
CN110163099A (zh) * | 2019-04-17 | 2019-08-23 | 中国电子科技网络信息安全有限公司 | 一种基于电磁泄漏信号的异常行为识别装置与方法 |
CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
CN110728175A (zh) * | 2019-08-30 | 2020-01-24 | 中国电子科技网络信息安全有限公司 | 一种用于无线网络的电磁信号红黑识别装置与识别方法 |
CN111949988A (zh) * | 2020-07-03 | 2020-11-17 | 中国电子科技网络信息安全有限公司 | 一种针对物理隔离计算机的电磁漏洞主动检测系统及方法 |
CN111949988B (zh) * | 2020-07-03 | 2022-04-22 | 中国电子科技网络信息安全有限公司 | 一种针对物理隔离计算机的电磁漏洞主动检测系统及方法 |
CN112232129A (zh) * | 2020-09-17 | 2021-01-15 | 厦门熙重电子科技有限公司 | 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法 |
CN112528508A (zh) * | 2020-12-17 | 2021-03-19 | 航天恒星科技有限公司 | 电磁可视化方法和装置 |
CN112528508B (zh) * | 2020-12-17 | 2024-05-03 | 航天恒星科技有限公司 | 电磁可视化方法和装置 |
CN112858796A (zh) * | 2021-01-20 | 2021-05-28 | 中国电子科技集团公司第三十三研究所 | 一种电磁泄漏时域信号特征的识别系统及方法 |
CN114372493A (zh) * | 2022-01-12 | 2022-04-19 | 集美大学 | 一种计算机线缆电磁泄漏特征分析方法 |
CN115087341A (zh) * | 2022-07-21 | 2022-09-20 | 北京中超伟业信息安全技术股份有限公司 | 一种基于波导窗的电磁信号加扰方法及系统 |
CN115087341B (zh) * | 2022-07-21 | 2022-11-15 | 北京中超伟业信息安全技术股份有限公司 | 一种基于波导窗的电磁信号加扰方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108680796B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
CN108414240B (zh) | 一种检测机器异常振动的方法与装置 | |
CN105678273B (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN111709329B (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
Shi et al. | Human activity recognition using deep learning networks with enhanced channel state information | |
CN109117747A (zh) | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 | |
CN114358064B (zh) | 一种基于深度支持向量数据描述的干扰检测装置及方法 | |
CN103473559A (zh) | 基于nsct域合成核的sar图像变化检测方法 | |
CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 | |
JP2009244138A (ja) | 信号測定分離分析装置および方法 | |
Liu et al. | Discrimination between earthquake P waves and microtremors via a generative adversarial network | |
CN111652132B (zh) | 基于深度学习的非视距身份识别方法、设备及存储介质 | |
CN116482680B (zh) | 一种身体干扰识别方法、装置、系统和存储介质 | |
CN116524537A (zh) | 一种基于cnn和lstm联合的人体姿态识别方法 | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
CN114330443A (zh) | 一种基于信道状态信息的室内人群计数方法 | |
Lu et al. | A lockable abnormal electromagnetic signal joint detection algorithm | |
US11316596B2 (en) | Method for detecting at least one compromised computer device in an information system | |
CN106530199A (zh) | 基于窗口式假设检验的多媒体综合隐写分析方法 | |
CN113052080A (zh) | 一种基于无监督生成对抗网络的非法无人机检测方法 | |
Wang et al. | Auditory-based multi-scale amplitude-aware permutation entropy as a measure for feature extraction of ship radiated noise | |
Weisha et al. | Machine learning-based system electromagnetic environment anomaly detection method | |
Fang et al. | Nowhere to hide: detecting live video forgery via vision-WiFi silhouette correspondence | |
CN116304844B (zh) | 一种人员进出计数统计系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |