CN109598152A - 基于emd降噪数据预处理的硬件木马检测优化方法 - Google Patents
基于emd降噪数据预处理的硬件木马检测优化方法 Download PDFInfo
- Publication number
- CN109598152A CN109598152A CN201811183928.2A CN201811183928A CN109598152A CN 109598152 A CN109598152 A CN 109598152A CN 201811183928 A CN201811183928 A CN 201811183928A CN 109598152 A CN109598152 A CN 109598152A
- Authority
- CN
- China
- Prior art keywords
- imf
- noise reduction
- noise
- signal
- function
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 title claims abstract description 38
- 230000009467 reduction Effects 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000007689 inspection Methods 0.000 title claims abstract description 15
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000000926 separation method Methods 0.000 claims abstract description 14
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- HVYLDJKDVOOTHV-UHFFFAOYSA-N acetic acid;2-iminoethanethiol Chemical compound CC(O)=O.CC(O)=O.SCC=N HVYLDJKDVOOTHV-UHFFFAOYSA-N 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
- G06F21/71—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information
- G06F21/76—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information in application-specific integrated circuits [ASIC] or field-programmable devices, e.g. field-programmable gate arrays [FPGA] or programmable logic devices [PLD]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及集成电路可信任性技术领域,为提出硬件木马检测优化方法,既能较好的保持数据低频部分的平滑特性,也能较大程度的保持侧信道数据高频部分的有用信息,从而有效的保留硬件木马的特征,进一步提高了硬件木马检测精度。为此,本发明采取的技术方案是,基于EMD降噪数据预处理的硬件木马检测优化方法,结合各本征模态函数IMF的自相关函数特点,确定噪声主导模态和信号主导模态的分界点,针对高频模态函数采用阈值选择去噪方法进行降噪,对低频模态函数采用Savitzky‑Golay滤波器滤波,最后利用IMF分量进行重构得到降噪后的数据,并利用马氏距离进行硬件木马的判别。本发明主要应用于集成电路可信任性检测场合。
Description
技术领域
本发明涉及集成电路可信任性技术领域,具体涉及一种基于EMD降噪数据预处理硬件木马检测优化方法。
背景技术
随着电子设计自动化技术和半导体制造工艺的飞速发展,单片数字集成电路芯片集成的功能越来越复杂,电路规模越来越大,集成度越来越高,从而广泛的应用于现代科技的各个领域,特别在金融设备,移动通信,交通运输,政府和能源等敏感领域。集成电路对社会的进步和经济的发展起着越来越大的推动作用,已经成为支撑经济社会发展的战略性、基础性和先导性产业。
在商业全球化的今天,集成电路芯片的设计与制造逐渐趋于全球化。集成电路芯片的上市需要经历设计、制造、封装与测试四个阶段。由于集成电路产品的先进性和复杂性,同时为了更合理的利用资源和资金配置,单片集成电路的设计与制造过程完全由多家单位联合完成,其中不乏合资企业或者外资企业。集成电路的设计与制造过程的分离,给集成电路的安全性带来了极大的风险,例如在设计阶段大量复用第三方IP核,在制造过程中存在不可信的掩膜版,在封装过程中可能存在冗余封装等。这类安全威胁都统称为硬件木马,硬件木马从底层硬件方面渗透进来,攻击者针对特定的系统进行巧妙的设计,隐蔽在电路的底层,可以独立的实施攻击行为,例如改变功能、泄露信息、特权升级、拒绝服务等,也可以结合软件攻击进行组合攻击。
硬件木马问题正在成为集成电路的重要安全隐患,一旦被硬件木马影响的芯片被应用于军用装备及国民经济核心领域中,将会带来严重的灾难和不可估计的经济损失,因此开展硬件木马的检测与防护技术研究,保证集成电路的安全可信是世界各国的共同关注的话题。
近年来,随着研究的逐渐深入,在硬件木马检测技术方面取得了卓越的成果。而旁路信号分析具有较低的实施成本、较高的检测精度,较好的移植性和延展性,一经提出就展示出来了较为乐观的应用前景,成为了当前的检测方法的主流。但是在利用旁路信号分析技术对硬件木马进行检测的过程中,芯片及检测设备会受到外界以及系统内部噪声的影响,噪声的存在会削弱甚至淹没硬件木马对电路的影响,这使得硬件木马的检出率大大降低。然而工艺噪声是客观存在的,为了进一步的提高检测精度,必须对获得的数据进行降噪处理,在滤除工艺噪声的同时较好的保留可能存在于噪声模态中的有用信号成分,使硬件木马的旁路影响不被工艺噪声所淹没。
参考文献
[1]Huang N E,Shen Z,Long S R,et al.The empirical mode decompositionand the Hilbert spectrum for nonlinear and non-stationary time seriesanalysis[C]//Proceedings of the Royal Society of London A:mathematical,physical and engineering sciences.The Royal Society,1998,454(1971):903-995.
[2]Zheng G T,McFadden P D.A time-frequency distribution for analysisof signals with transient components and its application to vibrationanalysis[J].Journal of vibration and acoustics,1999,121(3):328-333.
[3]赵雯雯,曾兴雯.一种新的EMD去噪方法[J].电子科技,2008,21(5):30-32.
[4]王婷.EMD算法研究及其在信号去噪中的应用[J].哈尔滨:哈尔滨工程大学,2010.
[5]李衡,赵毅强,杨瑞霞,等.基于小波降噪数据预处理的硬件木马检测优化[J].计算机工程与应用,2017,53(1):49-53.
发明内容
为克服现有技术的不足,本发明旨在提出硬件木马检测优化方法,既能较好的保持数据低频部分的平滑特性,也能较大程度的保持侧信道数据高频部分的有用信息,从而有效的保留硬件木马的特征,进一步提高了硬件木马检测精度。为此,本发明采取的技术方案是,基于EMD降噪数据预处理的硬件木马检测优化方法,结合各本征模态函数IMF的自相关函数特点,确定噪声主导模态和信号主导模态的分界点,针对高频模态函数采用阈值选择去噪方法进行降噪,对低频模态函数采用Savitzky-Golay滤波器滤波,最后利用IMF分量进行重构得到降噪后的数据,并利用马氏距离进行硬件木马的判别。
具体步骤细化如下:
步骤1:对获取的电路功耗数据x(t)进行EMD分解,得到N个IMF模态分量;
步骤2:分别计算各IMF的自相关函数xcorr(τ)=E[imfi(t)imfi(t+τ)];
步骤3:依据自相关函数的特点,判断噪声主导模态和信号主导模态的分界点k;
步骤4:对判定的噪声起主导作用的高频模态函数imf1~imfk进行软阈值去噪,其中k为噪声主导模态和信号主导模态的分界点,得到去噪后的各分量imf1′~imfk′;
步骤5:对低频模态函数imfk+1′~imfN′进行Savitzky-Golay平滑滤波降噪,得到降噪后的各分量imfk+1′~imfN′;
步骤6:重构原信号:此即为最后得到的降噪预处理的功耗数据。
EMD分解的具体分解过程为:
步骤1:确定原信号所有的的局部极大值点和局部极小值点;
步骤2:用三次样条函数将所有的局部极大值点拟合形成上包络线,同理再用三次样条函数将所有局部极小值点拟合形成下包络线;
步骤3:求出上下包络线的均值作为原信号x(t)的局部均值m1,将原信号与局部均值的差记为h1=x(t)-m1,如果h1满足IMF条件,那么h1就是x(t)的第一个IMF分量;
步骤4:如果h1不满足IMF条件,把h1作为原始数据,重复步骤1~步骤3,直到得到的h1k满足IMF条件为止,记imf1=h1k,则imf1为信号x(t)的第一个满足IMF条件的分量;
步骤5:将imf1从x(t)中分离出来得到
r1=x(t)-imf1
将r1作为原始数据重复步骤1~步骤4,得到x(t)的第2个满足IMF条件的分量imf2,重复循环n次,得到信号x(t)的n个满足IMF条件的分量imfi,i=1,…,n;
记当rn成为一个单调函数不能再从中提取满足IMF条件的分量时,原始信号的分解结束,rn称为残余函数,代表信号的平均趋势。
步骤4更进一步地,采用软阈值去噪法对判定的噪声主导的高频IMF函数进行降噪处理,其公式如下:
式中,tj为第j个分量imfj的阈值,由下式计算:
式中,N为信号长度,σj是噪声在第j层的标准差,meida为第j个imfj分量上的绝对中值;
步骤5更进一步地,为实现低频噪声的滤除,将EMD与平滑滤波器结合设计,采用Savitzky-Golay滤波器,该滤波器就是对每一数据点的一个领域即长度为n的窗口内各点的数据,用一元p阶多项式拟合,一元p阶多项式的系数根据最小二乘法准则使拟合误差最小来确定,由此得出滑动窗口内中心点的最佳拟合值,即为去噪处理后的值,滑动数据窗口依次沿着每一点滑动,从而实现了平滑处理。
本发明的特点及有益效果是:
本发明基于经验模态分解(EMD)对功耗数据进行分解,并结合各IMF分量自相关函数的特点,确定噪声主导模态和信号主导模态的分界点。对判定的噪声起主导作用的高频模态函数进行软阈值降噪,并对低频模态函数采用Savitzky-Golay滤波器滤波,将降噪处理过的IMF分量重构得到降噪预处理的数据,该方法具有EMD特有的自适应性,同时既能较好的保持数据高频部分的有用信息,也能使数据的低频部分相对比较平滑。降噪预处理后的数据可以用来进行硬件木马的判别,能够大幅度消除外界及系统内部噪声的影响,大大提高木马电路的功耗贡献率,进一步提高了硬件木马的检测精度。
附图说明:
图1基于EMD降噪数据预处理的硬件木马检测优化方法的流程图。
图2 EMD分解的流程图。
具体实施方式
针对在硬件木马测试过程中存在较大的噪声问题,提出了一种基于EMD算法的数据降噪预处理的硬件木马检测优化方法,该方法具有优秀的自适应性,可以在滤除噪声的同时,既能较好的保持数据低频部分的平滑特性,也能较大程度的保持侧信道数据高频部分的有用信息,从而有效的保留硬件木马的特征,进一步提高了硬件木马检测精度。该方法可以辅助用于基于侧信道分析的硬件木马检测领域,进一步提高硬件木马的识别水平,具有一定的实际意义和参考价值。
本发明提出了一种基于EMD算法的数据降噪预处理的硬件木马检测的优化方法,结合各本征模态函数(IMF)的自相关函数特点,确定噪声主导模态和信号主导模态的分界点。针对高频模态函数采用阈值选择去噪方法进行降噪,对低频模态函数采用Savitzky-Golay滤波器滤波。最后利用IMF分量进行重构得到降噪后的数据,并利用马氏距离进行硬件木马的判别。该方法可以在对侧信道信息去噪的同时较好的保留原始数据的有用信息,这可以大大的提高侧信道分析方法的检测精度。
本发明的完整技术方案如下:
图1为本文提出的基于EMD降噪数据预处理的硬件木马检测优化方法的流程图,该方法主要包括以下步骤:
步骤1:对获取的电路功耗数据x(t)进行EMD分解,得到N个IMF模态分量。
步骤2:分别计算各IMF的自相关函数xcorr(τ)=E[imfi(t)imfi(t+τ)]。
步骤3:依据自相关函数的特点,判断噪声主导模态和信号主导模态的分界点k。
步骤4:对判定的噪声起主导作用的高频模态函数imf1~imfk进行软阈值去噪,其中k为噪声主导模态和信号主导模态的分界点,得到去噪后的各分量imf1′~imfk′。
步骤5:对低频模态函数imfk+1′~imfN′进行Savitzky-Golay平滑滤波降噪,得到降噪后的各分量imfk+1′~imfN′。
步骤6:重构原信号:此即为最后得到的降噪预处理的功耗数据。
经验模态分解法(EMD)是由Huang等人于1998年创造性提出的一种新型自适应信号时频处理方法,非常适用于非线性非平稳信号的分析处理。EMD与傅里叶变换、小波变换等传统信号分析方法的本质一样,均是将信号分解为各个相互独立的分量的叠加,但是与傅里叶变换、小波变换不同的是,EMD不需要事先人为选择基函数,而是根据信号自身的时间尺度特征将信号分解为一系列本征模态函数(Intrinsic Mode Function,IMF),各个IMF分量是窄带平稳信号,能够很好的表征信号的瞬时频率特性,且满足Hilbert变换的要求。
信号分解的结果由若干本征模态函数和一个残余信号组成:
每个IMF分量必须满足以下两个条件:
a)在整个分量信号上,局部极值点和过零点的数目至多相差一点;
b)在任意点处,由局部极大值点和极小值点构成的上下包络线的均值为零,即分量信号关于时间轴局部对称。
通常情况中,实际信号均为复杂信号并不满足上述条件。因此,Huang进行了下假设:
a)任何信号都是由若干本征模态函数组成的;
b)各个本征模态函数既可是线性的,也可是非线性的,各本征模态函数的局部极值点和零点的数目相同,并且上下包络线关于时间轴局部对称;
c)在任何时候,一个信号都可以包含若干本征模态函数,若干模态函数相互混叠,就构成了复杂信号。
这样,任何信号都可根据EMD算法分解为若干有限个本征模态函数和一个残余信号。图2为EMD分解的流程图,具体的分解过程为:
步骤1:确定原信号所有的的局部极大值点和局部极小值点。
步骤2:用三次样条函数将所有的局部极大值点拟合形成上包络线,同理再用三次样条函数将所有局部极小值点拟合形成下包络线。
步骤3:求出上下包络线的均值作为原信号x(t)的局部均值m1,将原信号与局部均值的差记为h1=x(t)-m1,如果h1满足IMF条件,那么h1就是x(t)的第一个IMF分量。
步骤4:如果h1不满足IMF条件,把h1作为原始数据,重复步骤1~步骤3,直到得到的h1k满足IMF条件为止。记imf1=h1k,则imf1为信号x(t)的第一个满足IMF条件的分量。
步骤5:将imf1从x(t)中分离出来得到
r1=x(t)-imf1
将r1作为原始数据重复步骤1~步骤4,得到x(t)的第2个满足IMF条件的分量imf2,重复循环n次,得到信号x(t)的n个满足IMF条件的分量imfi(i=1,…,n)。
记当rn成为一个单调函数不能再从中提取满足IMF条件的分量时,原始信号的分解结束,rn称为残余函数,代表信号的平均趋势。
信号经过EMD分解后得到有限个频率从高到底的IMF,其中阶数小的IMF对应信号的高频成分,一般包含的是信号尖锐部分或噪声;阶数大的IMF对应信号的低频成分,一般认为低频成分中噪声影响很小。基于EMD去噪的主要思想在于,对于大多数被噪声污染的信号,其主要能量集中在低频段,越往高频段其含有的能量就越少。因此,肯定存在某个IMFk分量,使得对于该分量之后的IMFk+1中信号为主导模态,而其前k个IMF中噪声为主导模态。基于EMD的去噪方法的关键就是找到噪声主导模态和信号主导模态的分界点k。
随机信号的自相关函数是信号时域特性的一种平均度量,它反映了信号在不同时刻t1和t2取值的相关程度。若假设x(t)为随机信号,则其自相关函数为:Rx(t1,t2)=E[x(t1)x(t2)]
一般来说,对于随机噪声而言,由于其各个时刻的弱关联性及随机性,因此其在零点处自相关函数最大,在其他点处迅速衰减到很小。
对于一般信号而言,其自相关函数在零点处取得最大,由于信号间存在关联性,因此在其他点处,自相关函数并没有衰减到很小值,而是随着时间差τ的变化而变化,变化规律明显区别于噪声的自相关函数的变化情况。
综上所述,可以根据数据EMD分解后各IMF的自相关函数的特点,判断噪声主导模态和信号主导模态的分界点k。对于判定的噪声主导的IMF模态,其组分除了噪声外,也会有少量的有用信号的高频部分包含其中。对于信号主导的IMF模态,其组分除了信号外,也会有少量的低频噪声包含其中。因此,需要选择合适的去噪方法对IMF分量进行滤波。目前已经提出了一些基于经验模态分解的信号降噪方法,这些方法可大体分为两类,基于阈值处理的EMD降噪方法和基于滤波的EMD降噪方法。
直接抛弃若干个阶数小的IMF,属于强制去噪,它在滤除噪声的同时,也滤掉了原信号的一些有用成分,破坏了信号的完整性,影响到后续信号分析处理的准确性。于是参考小波阈值去噪的方法,采用软阈值去噪法对判定的噪声主导的高频IMF函数进行降噪处理。
其公式如下:
式中,tj为第j个分量imfj的阈值,由下式计算:
式中,N为信号长度,σj是噪声在第j层的标准差,meida为第j个imfj分量上的绝对中值。
为实现低频噪声的滤除,将EMD与平滑滤波器结合设计,采用Savitzky-Golay滤波器。Savitzky-Golay滤波器由Savitzky和Golay于1964年提出,是一种非常有效的平滑滤波方法,该滤波器就是对每一数据点的一个领域(长度为n的窗口)内各点的数据,用一元p阶多项式拟合。此多项式的系数可根据最小二乘法准则使拟合误差最小来确定,由此得出滑动窗口内中心点的最佳拟合值,即为去噪处理后的值。滑动数据窗口依次沿着每一点滑动,从而实现了平滑处理。该滤波器在对信号降噪的同时,可以保留信号的极大值、极小值和宽度等分布特征,因此应用非常广泛。
综上所述,基于EMD阈值的降噪方法对高频IMF分量降噪效果比较好,可以较好的保持信号高频部分的有用信息。而基于Savitzky-Golay滤波器的降噪方法对低频IMF分量降噪效果较好,能够使数据的低频部分相对比较平滑。因此本发明对高频模态函数imf1~imfk进行软阈值去噪,对低频模态函数imfk+1~imfN进行Savitzky-Golay平滑滤波降噪,其中k为噪声主导模态和信号主导模态的分界点,最后利用IMF分量重构降噪后的数据,该数据可以较大程度的降低了噪声的影响,保证了原始数据的信噪比。
Claims (4)
1.一种基于EMD降噪数据预处理的硬件木马检测优化方法,其特征是,结合各本征模态函数IMF的自相关函数特点,确定噪声主导模态和信号主导模态的分界点,针对高频模态函数采用阈值选择去噪方法进行降噪,对低频模态函数采用Savitzky-Golay滤波器滤波,最后利用IMF分量进行重构得到降噪后的数据,并利用马氏距离进行硬件木马的判别。
2.如权利要求1所述的基于EMD降噪数据预处理的硬件木马检测优化方法,其特征是,具体步骤细化如下:
步骤1:对获取的电路功耗数据x(t)进行EMD分解,得到N个IMF模态分量;
步骤2:分别计算各IMF的自相关函数xcorr(τ)=E[imfi(t)imfi(t+τ)];
步骤3:依据自相关函数的特点,判断噪声主导模态和信号主导模态的分界点k;
步骤4:对判定的噪声起主导作用的高频模态函数imf1~imfk进行软阈值去噪,其中k为噪声主导模态和信号主导模态的分界点,得到去噪后的各分量imf1′~imfk′;
步骤5:对低频模态函数imfk+1~imfN进行Savitzky-Golay平滑滤波降噪,得到降噪后的各分量imfk+1′~imfN′;
步骤6:重构原信号:此即为最后得到的降噪预处理的功耗数据。
3.如权利要求1所述的基于EMD降噪数据预处理的硬件木马检测优化方法,其特征是,EMD分解的具体分解过程为:
步骤1:确定原信号所有的的局部极大值点和局部极小值点;
步骤2:用三次样条函数将所有的局部极大值点拟合形成上包络线,同理再用三次样条函数将所有局部极小值点拟合形成下包络线;
步骤3:求出上下包络线的均值作为原信号x(t)的局部均值m1,将原信号与局部均值的差记为h1=x(t)-m1,如果h1满足IMF条件,那么h1就是x(t)的第一个IMF分量;
步骤4:如果h1不满足IMF条件,把h1作为原始数据,重复步骤1~步骤3,直到得到的h1k满足IMF条件为止,记imf1=h1k,则imf1为信号x(t)的第一个满足IMF条件的分量;
步骤5:将imf1从x(t)中分离出来得到
r1=x(t)-imf1
将r1作为原始数据重复步骤1~步骤4,得到x(t)的第2个满足IMF条件的分量imf2,重复循环n次,得到信号x(t)的n个满足IMF条件的分量imfi,i=1,...,n;
记当rn成为一个单调函数不能再从中提取满足IMF条件的分量时,原始信号的分解结束,rn称为残余函数,代表信号的平均趋势。
4.如权利要求2所述的基于EMD降噪数据预处理的硬件木马检测优化方法,其特征是,步骤4更进一步地,采用软阈值去噪法对判定的噪声主导的高频IMF函数进行降噪处理,其公式如下:
式中,tj为第j个分量imfj的阈值,由下式计算:
式中,N为信号长度,σj是噪声在第j层的标准差,meida为第j个imfj分量上的绝对中值;
步骤5更进一步地,为实现低频噪声的滤除,将EMD与平滑滤波器结合设计,采用Savitzky-Golay滤波器,该滤波器就是对每一数据点的一个领域即长度为n的窗口内各点的数据,用一元p阶多项式拟合,一元p阶多项式的系数根据最小二乘法准则使拟合误差最小来确定,由此得出滑动窗口内中心点的最佳拟合值,即为去噪处理后的值,滑动数据窗口依次沿着每一点滑动,从而实现了平滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811183928.2A CN109598152A (zh) | 2018-10-11 | 2018-10-11 | 基于emd降噪数据预处理的硬件木马检测优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811183928.2A CN109598152A (zh) | 2018-10-11 | 2018-10-11 | 基于emd降噪数据预处理的硬件木马检测优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109598152A true CN109598152A (zh) | 2019-04-09 |
Family
ID=65957366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811183928.2A Pending CN109598152A (zh) | 2018-10-11 | 2018-10-11 | 基于emd降噪数据预处理的硬件木马检测优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598152A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096880A (zh) * | 2019-04-28 | 2019-08-06 | 天津大学 | 基于芯片表面扫描的硬件木马定位方法 |
CN110807349A (zh) * | 2019-08-02 | 2020-02-18 | 邯郸钢铁集团有限责任公司 | 基于emd分解和小波阈值的自适应降噪方法 |
CN111900952A (zh) * | 2020-07-22 | 2020-11-06 | 武汉工程大学 | 一种信号滤波去噪方法、装置及存储介质 |
CN113253300A (zh) * | 2021-06-18 | 2021-08-13 | 湖南国天电子科技有限公司 | 一种用于激光测云雷达机的光回波信号去噪方法及系统 |
CN113537012A (zh) * | 2021-07-06 | 2021-10-22 | 国网江苏省电力有限公司常州供电分公司 | 接地网干扰信号的去噪方法、装置及计算机设备 |
CN113932158A (zh) * | 2021-10-25 | 2022-01-14 | 东北石油大学 | 一种长输管道泄漏信号的采集传输装置 |
CN116008481A (zh) * | 2023-01-05 | 2023-04-25 | 山东理工大学 | 基于大范围地面监测站点的空气污染物监测方法、装置 |
CN117454155A (zh) * | 2023-12-26 | 2024-01-26 | 电子科技大学 | 基于ssaf和emd的igbt声发射信号提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144829A (zh) * | 2017-06-29 | 2017-09-08 | 南京信息工程大学 | 一种高效的激光雷达回波信号去噪方法 |
CN107179486A (zh) * | 2017-05-24 | 2017-09-19 | 长沙理工大学 | 一种gis设备在线监测特高频信号降噪方法 |
-
2018
- 2018-10-11 CN CN201811183928.2A patent/CN109598152A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107179486A (zh) * | 2017-05-24 | 2017-09-19 | 长沙理工大学 | 一种gis设备在线监测特高频信号降噪方法 |
CN107144829A (zh) * | 2017-06-29 | 2017-09-08 | 南京信息工程大学 | 一种高效的激光雷达回波信号去噪方法 |
Non-Patent Citations (2)
Title |
---|
李衡: "基于小波降噪数据预处理的硬件木马检测优化", 《计算机工程与应用》 * |
赵雯雯: "一种新的EMD去噪方法", 《电子科技》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096880A (zh) * | 2019-04-28 | 2019-08-06 | 天津大学 | 基于芯片表面扫描的硬件木马定位方法 |
CN110096880B (zh) * | 2019-04-28 | 2023-04-28 | 天津大学 | 基于芯片表面扫描的硬件木马定位方法 |
CN110807349A (zh) * | 2019-08-02 | 2020-02-18 | 邯郸钢铁集团有限责任公司 | 基于emd分解和小波阈值的自适应降噪方法 |
CN111900952A (zh) * | 2020-07-22 | 2020-11-06 | 武汉工程大学 | 一种信号滤波去噪方法、装置及存储介质 |
CN111900952B (zh) * | 2020-07-22 | 2023-11-21 | 武汉工程大学 | 一种信号滤波去噪方法、装置及存储介质 |
CN113253300A (zh) * | 2021-06-18 | 2021-08-13 | 湖南国天电子科技有限公司 | 一种用于激光测云雷达机的光回波信号去噪方法及系统 |
CN113537012A (zh) * | 2021-07-06 | 2021-10-22 | 国网江苏省电力有限公司常州供电分公司 | 接地网干扰信号的去噪方法、装置及计算机设备 |
CN113932158A (zh) * | 2021-10-25 | 2022-01-14 | 东北石油大学 | 一种长输管道泄漏信号的采集传输装置 |
CN116008481A (zh) * | 2023-01-05 | 2023-04-25 | 山东理工大学 | 基于大范围地面监测站点的空气污染物监测方法、装置 |
CN117454155A (zh) * | 2023-12-26 | 2024-01-26 | 电子科技大学 | 基于ssaf和emd的igbt声发射信号提取方法 |
CN117454155B (zh) * | 2023-12-26 | 2024-03-15 | 电子科技大学 | 基于ssaf和emd的igbt声发射信号提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598152A (zh) | 基于emd降噪数据预处理的硬件木马检测优化方法 | |
Jing-Yi et al. | A new wavelet threshold function and denoising application | |
Wang et al. | A novel feature enhancement method based on improved constraint model of online dictionary learning | |
CN104777442B (zh) | 一种核磁共振测深fid信号噪声抑制方法 | |
Li et al. | Application of optimized variational mode decomposition based on kurtosis and resonance frequency in bearing fault feature extraction | |
Zhang et al. | Image edge detection method of combining wavelet lift with Canny operator | |
CN103956756A (zh) | 一种电力系统低频振荡模态辨识方法 | |
CN104635223A (zh) | 基于经验模式分解与分数阶傅里叶变换的激光回波去噪方法 | |
Xiao et al. | Research on fault feature extraction method of rolling bearing based on NMD and wavelet threshold denoising | |
Fan et al. | Image denoising based on wavelet thresholding and Wiener filtering in the wavelet domain | |
Chao et al. | Improving accuracy of cavitation severity recognition in axial piston pumps by denoising time–frequency images | |
Feng et al. | A blind source separation method using denoising strategy based on ICEEMDAN and improved wavelet threshold | |
Chen et al. | A data-driven threshold for wavelet sliding window denoising in mechanical fault detection | |
Zheng et al. | A quantified self-adaptive filtering method: Effective IMFs selection based on CEEMD | |
Cui et al. | Robust randomized autoencoder and correntropy criterion-based one-class classification | |
Pang et al. | Clustering group-sparse mode decomposition and its application in rolling bearing fault diagnosis | |
Tian et al. | Early fault feature extraction for rolling bearings using adaptive variational mode decomposition with noise suppression and fast spectral correlation | |
Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
Zhao et al. | Bearing fault-induced feature enhancement via adaptive multi-band denoising model | |
Limin et al. | Low probability of intercept radar signal recognition based on the improved AlexNet model | |
CN106057211A (zh) | 一种信号匹配方法及装置 | |
Wang et al. | Fault Diagnosis of Rolling Bearings Based on Improved Empirical Mode Decomposition and Fuzzy C-Means Algorithm. | |
CN109543465A (zh) | 基于hht降噪的硬件木马检测优化方法 | |
Younis et al. | Estimation of general parameters under stratified adaptive cluster sampling based on dual use of auxiliary information | |
Li et al. | Fault feature extraction method based on EWT-SMF and MF-DFA for valve fault of reciprocating compressor |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |