CN109726599B - 基于神经网络的芯片密钥保护模块和方法 - Google Patents
基于神经网络的芯片密钥保护模块和方法 Download PDFInfo
- Publication number
- CN109726599B CN109726599B CN201811639678.9A CN201811639678A CN109726599B CN 109726599 B CN109726599 B CN 109726599B CN 201811639678 A CN201811639678 A CN 201811639678A CN 109726599 B CN109726599 B CN 109726599B
- Authority
- CN
- China
- Prior art keywords
- chip
- module
- real
- neural network
- power
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了基于神经网络的芯片密钥保护模块和方法,属于芯片密钥安全领域,要解决的技术问题为如何隐藏芯片功耗以及芯片各个模块的工作状态、以保护芯片密钥安全性;其结构包括:输入采集模块,用于采集芯片的工作参数;推理模块,用于通过对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布;冗余电路模块,包括分布于各个芯片子模块处的冗余电路;决策模块,用于根据芯片的实时功率及对外分布形成使能信号。其方法包括对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布;根据芯片的实时功率及对外分布形成使能信号,通过使能信号使能冗余电路模块进行冗余计算,改变芯片的实时功率。
Description
技术领域
本发明涉及芯片密钥安全领域,具体地说是基于神经网络的芯片密钥保护模块和方法。
背景技术
专用加解密芯片一般在其上部署若干加密算法,通常加解密过程中需要使用密钥完成操作。作为芯片核心,密钥的安全保密性至关重要。然而当芯片在执行不同的指令进行各种运算时,外部呈现的功率功耗也相应变化。若对功耗变化进行统计分析与特殊计算,根据数据与功耗之间的关联性,可能提取出算法相关信息,甚至将密钥直接破解出。
人工神经网络通过多层滤波数据取舍,能快速高效提取模式特定特征,在数据统计与决策制定中越来越起到重要作用,若使用人工神经网络对芯片功耗分析,将能有效获取工作状态信息。基于此,如何基于神经网络对芯片功耗以及芯片各个模块的工作状态进行分析,以有效隐藏芯片功耗以及芯片各个模块的工作状态,避免密钥的破解,是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供基于神经网络的芯片密钥保护模块和方法,来解决如何隐藏芯片功耗以及芯片各个模块的工作状态、以保护芯片密钥安全性的问题。
第一方面,本发明实施例提供一种基于神经网络的芯片密钥保护模块,包括:输入采集模块,用于采集芯片的工作参数,芯片的工作参数包括芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态;推理模块,用于获取芯片的工作参数,并通过对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布;冗余电路模块,包括分布于各个芯片子模块处的冗余电路;决策模块,用于获取芯片的实时功率及对外分布,并根据芯片的实时功率及对外分布形成使能信号,使能信号用于使能冗余电路模块进行冗余计算。
本实施方式中,在推理模块内对芯片的工作参数包括芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态进行特征提取和分析,得到芯片的实时功率及对外分布,在决策模块内根据芯片的实时功率及对外分外布形成使能信号,通过使能信号使能冗余电路模块中的冗余电路,即通过使能信号使能一定数量的芯片子模块,改变对应芯片子模块的功率,以通过改变芯片的实时功率的方式实现芯片在对外电流及功耗显示上保持定值或无规律性。
优选的,推理模块共两个,分别为:
第一神经网络推理模块,用于获取芯片指令,并对芯片指令或芯片指令的组合进行特征提取和分析,得到芯片的实时功率及对外分布;
第二神经网络推理模块,用于获取各个子模块的工作状态,并对各个子模块的工作状态进行特征提取和分析,得到芯片的实时功率及对外分布。
芯片指令和配置于芯片不同位置的各个芯片子模块的工作状态为两种不同的数据,因此需要通过两个不同的神经网络模型进行特征提取和分析。
优选的,第一神经网络推理模块和第二神经网络模块均配置有卷积神经网络模型。
优选的,芯片的实时功率及对外分布包括芯片的实时对外总功率、芯片的消耗电流以及芯片表面均分各处对外功率。
优选的,冗余电路由基本加法器电路和基本乘法器组成,用于获取使能信号并根据使能信号使得对应的芯片子模块的功率增加。
第二方面,本发明实施例提供一种基于神经网络的芯片密钥保护方法,包括:
实时采集芯片的工作参数,并对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布;
根据芯片的实时功率及对外分布形成使能信号;
通过使能信号使能冗余电路模块进行冗余计算,通过改变芯片的实时功率的方式实现芯片在对外电流及功耗显示上保持定值或无规律性;
其中,芯片的工作参数包括芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态。
优选的,对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布,包括:
通过一个神经网络模型对芯片指令或芯片指令的组合进行特征提取和分析,得到芯片的实时功率及对外分布;
通过另一个神经网络模型对各个子模块的工作状态进行特征提取和分析,得到芯片的实时功率及对外分布。
优选的,以芯片的指令以及芯片的指令组合为训练样本,对一个神经网络模型进行训练学习,通过训练学习后的一个神经网络模型对采集到的芯片指令或芯片指令的组合进行特征提取和分析;
以各个芯片子模块的工作状态为训练样本,对另一个神经网络模型进行训练学习,通过训练学习后的另一个神经网络模型对采集到的各个芯片子模块的工作状态进行特征提取和分析。
优选的,芯片的实时功率及对外分布包括芯片的实时对外总功率、芯片的消耗电流以及芯片表面均分各处对外功率。
本发明的基于神经网络的芯片密钥保护模块及方法具有以下优点:
1、通过分析芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态得到芯片的实时功率及对外分布,并根据芯片的实时功率及对外分布得到使能信号,使能信号使能冗余电路模块中一定数量的冗余电路,对不同位置及不同时间上的功耗进行调整及补偿,使得在时空上芯片对外功耗显示无规律性,将密钥数据与外部功耗解耦,能有效抵抗来自破译方的利用功耗特征进行的物理攻击等,极大提高加解密的安全性及可靠性,保证通信安全;
2、通过两个神经网络推理模型分别对芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态进行特征提取和分析,分别得到芯片的实时功率及对外分布,可全面的得到芯片的实时功率及对外分布情况;
3、通过神经网络模型对芯片的工作参数进行特征提取和分析,提高了数据的准确性与高效性。
附图说明
为了更清除地说明本发明实施例中的技术方案,下面将对实施例中描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
下面结合附图对本发明进一步说明。
附图1为实施例1基于神经网络的芯片密钥保护模块的结构示意图;
附图2为实施例2基于神经网络的芯片密钥保护模块的流程框图;
图中,1、输入采集模块,2、第一神经网络推理模块,3、第二神经网络推理模块,4、决策模块,5、冗余电路模块。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。在本发明实施例中的“多个”,是指两个或两个以上。
本发明实施例提供基于神经网络的芯片密钥保护模块及方法,用于解决的技术问题。
实施例1:
本发明的基于神经网络的芯片密钥保护模块,包括依次连接的输入采集模块、推理模块、决策模块和冗余电路模块。
其中,输入采集模块,用于实时采集芯片的工作参数,芯片的工作参数包括芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态。
推理模块共两个,分别为第一神经网络推理模块和第二神经网络推理模块。
第一神经网络推理模块,用于获取芯片指令,并对芯片指令或芯片指令的组合进行特征提取和分析,得到芯片的实时功率及对外分布,芯片的实时功率及对外分布包括芯片的实时对外总功率、芯片的消耗电流以及芯片表面均分各处对外功率。
第一神经网络推理模块配置有卷积神经网络模型,该卷积神经网络模型由卷积层、池化层、非线性层、全连接层等多个层卷积神经网络模型基本结构组成,其中可增减如残差结构(Residual)、线性瓶颈结构(Linear Bottleneck)等新结构用于优化模型。在使用时,以多组原芯片各指令及其组合情况作为训练样本,输入该训练样本,以实际对外总功率、消耗电流及芯片表面均分各处对外功率为学习标准,训练该卷积神经网络模型,得到各层卷积核、池化、全连接等系数,完成训练用于推理;推理时模型输入为芯片指令的一种组合,输出为预估的实际对外总功率、消耗电流及芯片表面均分各处对外功率。
第二神经网络推理模块,用于获取各个子模块的工作状态,并对各个子模块的工作状态进行特征提取和分析,得到芯片的实时功率及对外分布。
第二神经网络推理模块配置有卷积神经网络模型,该卷积神经网络模型由卷积层、池化层、非线性层、全连接层等若干层卷积神经网络模型的基本结构组成,其中可增减如残差结构(Residual)、线性瓶颈结构(Linear Bottleneck)等新结构用于优化模型;芯片内部各个芯片子模块位于芯片物理版图不同位置,以某一时刻芯片不同位置的各个芯片子模块的工作状态(即各个芯片子模块是否工作)为模型输入,以实际对外总功率、消耗电流及芯片表面均分各处对外功率为学习标准,训练该卷积神经网络模型,得到各层卷积核、池化、全连接等系数,完成训练用于推理;推理时,以各个芯片子模块的工作状态(即各个芯片子模块是否工作)为模型输入,输出预估的实际对外总功率、消耗电流及芯片表面均分各处对外功率。
冗余电路模块,包括分布于各个芯片子模块处的冗余电路。冗余电路由基本加法器电路,基本乘法器电路构成,每个冗余电路均位于对应的芯片子模块处,冗余电路只会使功率增加,不会减少。
决策模块,用于获取芯片的实时功率及对外分布,并根据芯片的实时功率及对外分布形成使能信号,使能信号用于使能冗余电路模块进行冗余计算,通过改变芯片的实时功率的方式实现芯片在对外电流及功耗显示上保持定值或无规律性。例如,位于芯片左上位置处的芯片子模块的预估功率为0.05W,其余位置如左下、右上、右下处的芯片子模块的预估功率为0.001W,可使能位于左下、右上、右下的冗余电路,使得位于左下、右上、右下的芯片子模块的对外功率均为0.05W;或使能位于左下的冗余电路,使得左下位置的芯片子模块对外功率提高到0.1W,其余位置芯片子模块的功率不变,即以改变各个芯片子模块对外呈现功率为原则,将芯片加密等操作与外部功耗解耦。
本实施例基于神经网络的芯片密钥保护模块用于芯片的密钥保护,工作方式为:通过输入采集模块实时采集各个芯片指令以及各个芯片子模块的工作状态;
第一神经网络推理模块对芯片指令或芯片指令的组合进行特征提取,得到芯片的实时功率及对外分布,并通过第二神经网络推理模块对各个芯片模块的工作状态进行特征提取,得到芯片的实时功率及对外分布,将由第一神经网络推理模块得到的芯片的实时功率及对外分布以及由第二神经网络推理模块得到的芯片的实时功率及对外分布叠加输出值决策模块;
通过决策模块对上述实时功率及对外分布进行分析,得到使能信号并将使能信号传输至冗余电路模块;
在使能信号的作用下,使能一定数量的冗余电路,使得芯片上对应位置处的芯片子模块的功率增加,从而改变芯片的实时对外功率,使整个芯片在对外电流及功耗显示上保持定值或无规律性,将加解密操作与外部功耗解耦。
实施例2:
本发明的基于神经网络的芯片密钥保护模块,包括如下步骤:
S100、实时采集芯片的工作参数,并对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布;
S200、根据芯片的实时功率及对外分布形成使能信号;
S300、通过使能信号使能冗余电路模块进行冗余计算,通过改变芯片的实时功率的方式实现芯片在对外电流及功耗显示上保持定值或无规律性。
其中,芯片的工作参数包括芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态。
芯片的实时功率及对外分布包括芯片的实时对外总功率、芯片的消耗电流以及芯片表面均分各处对外功率。
步骤S100中,对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布,包括如下操作:
以芯片的指令以及芯片的指令组合为训练样本,对一个神经网络模型进行训练学习,通过训练学习后的一个神经网络模型对采集到的芯片指令或芯片指令的组合进行特征提取和分析;
以各个芯片子模块的工作状态为训练样本,对另一个神经网络模型进行训练学习,通过训练学习后的另一个神经网络模型对采集到的各个芯片子模块的工作状态进行特征提取和分析。
在执行步骤S100时,上述两个操作可同时执行。
步骤S300中通过改变芯片的实时功率的方式实现芯片在对外电流及功耗显示上保持定值或无规律性,具体为,根据使能信号,使能一定数量的冗余电路,使得对应的芯片子模块的功率增加,从而改变芯片的实时对外功率,使整个芯片在对外电流及功耗显示上保持定值或无规律性。
例如,位于芯片左上位置处的芯片子模块的预估功率为0.05W,其余位置如左下、右上、右下处的芯片子模块的预估功率为0.001W,可使能位于左下、右上、右下的冗余电路,使得位于左下、右上、右下的芯片子模块的对外功率均为0.05W;或使能位于左下的冗余电路,使得左下位置的芯片子模块对外功率提高到0.1W,其余位置芯片子模块的功率不变,即以改变各个芯片子模块对外呈现功率为原则,将芯片加密等操作与外部功耗解耦。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (2)
1.基于神经网络的芯片密钥保护模块,其特征在于包括:
输入采集模块,用于采集芯片的工作参数,芯片的工作参数包括芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态;
推理模块,用于获取芯片的工作参数,并通过对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布;
冗余电路模块,包括分布于各个芯片子模块处的冗余电路;
决策模块,用于获取芯片的实时功率及对外分布,并根据芯片的实时功率及对外分布形成使能信号,使能信号用于使能冗余电路模块进行冗余计算;
推理模块共两个,分别为:
第一神经网络推理模块,用于获取芯片指令,并对芯片指令或芯片指令的组合进行特征提取和分析,得到芯片的实时功率及对外分布;
第二神经网络推理模块,用于获取各个子模块的工作状态,并对各个子模块的工作状态进行特征提取和分析,得到芯片的实时功率及对外分布;
第一神经网络推理模块和第二神经网络模块均配置有卷积神经网络模型;
芯片的实时功率及对外分布包括芯片的实时对外总功率、芯片的消耗电流以及芯片表面均分各处对外功率;
冗余电路由基本加法器电路和基本乘法器组成,用于获取使能信号并根据使能信号使得对应的芯片子模块的功率增加。
2.基于神经网络的芯片密钥保护方法,其特征在于包括:
实时采集芯片的工作参数,并对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布;
根据芯片的实时功率及对外分布形成使能信号;
通过使能信号使能冗余电路模块进行冗余计算,通过改变芯片的实时功率的方式实现芯片在对外电流及功耗显示上保持定值或无规律性;
其中,芯片的工作参数包括芯片指令以及配置于芯片不同位置的各个芯片子模块的工作状态;
以芯片的指令以及芯片的指令组合为训练样本,对一个神经网络模型进行训练学习,通过训练学习后的一个神经网络模型对采集到的芯片指令或芯片指令的组合进行特征提取和分析;
以各个芯片子模块的工作状态为训练样本,对另一个神经网络模型进行训练学习,通过训练学习后的另一个神经网络模型对采集到的各个芯片子模块的工作状态进行特征提取和分析;
对芯片的工作参数进行特征分析得到芯片的实时功率及对外分布,包括:
通过一个神经网络模型对芯片指令或芯片指令的组合进行特征提取和分析,得到芯片的实时功率及对外分布;
通过另一个神经网络模型对各个芯片子模块的工作状态进行特征提取和分析,得到芯片的实时功率及对外分布;
以芯片的指令以及芯片的指令组合为训练样本,对一个神经网络模型进行训练学习,通过训练学习后的一个神经网络模型对采集到的芯片指令或芯片指令的组合进行特征提取和分析;
以各个芯片子模块的工作状态为训练样本,对另一个神经网络模型进行训练学习,通过训练学习后的另一个神经网络模型对采集到的各个芯片子模块的工作状态进行特征提取和分析;
芯片的实时功率及对外分布包括芯片的实时对外总功率、芯片的消耗电流以及芯片表面均分各处对外功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811639678.9A CN109726599B (zh) | 2018-12-29 | 2018-12-29 | 基于神经网络的芯片密钥保护模块和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811639678.9A CN109726599B (zh) | 2018-12-29 | 2018-12-29 | 基于神经网络的芯片密钥保护模块和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726599A CN109726599A (zh) | 2019-05-07 |
CN109726599B true CN109726599B (zh) | 2023-06-09 |
Family
ID=66299313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811639678.9A Active CN109726599B (zh) | 2018-12-29 | 2018-12-29 | 基于神经网络的芯片密钥保护模块和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726599B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646219A (zh) * | 2013-11-29 | 2014-03-19 | 东南大学 | 基于神经网络功耗预测的功耗补偿抗攻击电路及控制方法 |
CN106888205A (zh) * | 2017-01-04 | 2017-06-23 | 浙江大学 | 一种非侵入式基于功耗分析的plc异常检测方法 |
CN107241324A (zh) * | 2017-06-01 | 2017-10-10 | 东南大学 | 基于机器学习的密码电路功耗补偿抗旁路攻击方法及电路 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6910025B2 (en) * | 2001-11-20 | 2005-06-21 | Freescale Semiconductor, Inc. | Modeling behavior of an electrical circuit |
US20120180126A1 (en) * | 2010-07-13 | 2012-07-12 | Lei Liu | Probable Computing Attack Detector |
RU169425U1 (ru) * | 2016-11-18 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" | Устройство прогнозирования электропотребления на основе многослойной нейронной сети |
CN207530855U (zh) * | 2017-12-18 | 2018-06-22 | 马双棚 | 分组密码芯片低功耗攻击防御装置 |
-
2018
- 2018-12-29 CN CN201811639678.9A patent/CN109726599B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646219A (zh) * | 2013-11-29 | 2014-03-19 | 东南大学 | 基于神经网络功耗预测的功耗补偿抗攻击电路及控制方法 |
CN106888205A (zh) * | 2017-01-04 | 2017-06-23 | 浙江大学 | 一种非侵入式基于功耗分析的plc异常检测方法 |
CN107241324A (zh) * | 2017-06-01 | 2017-10-10 | 东南大学 | 基于机器学习的密码电路功耗补偿抗旁路攻击方法及电路 |
Non-Patent Citations (1)
Title |
---|
基于Alexnet卷积神经网络的加密芯片模板攻击新方法;郭东昕;陈开颜;张阳;胡晓阳;魏延海;;计算机测量与控制(第10期);252-255+260 * |
Also Published As
Publication number | Publication date |
---|---|
CN109726599A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiang et al. | Open dnn box by power side-channel attack | |
CN110113214A (zh) | 一种基于神经网络的5g网络自动评估系统、方法及装置 | |
CN112181758B (zh) | 一种基于网络拓扑及实时告警的故障根因定位方法 | |
CN110503641A (zh) | 一种改善连铸坯表面裂纹的方法和装置 | |
CN113676484A (zh) | 一种攻击溯源方法、装置和电子设备 | |
KR20190060547A (ko) | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 | |
CN108073851A (zh) | 一种抓取手势识别的方法、装置及电子设备 | |
CN111626357B (zh) | 一种基于神经网络模型的图像识别方法 | |
CN115348080B (zh) | 基于大数据的网络设备脆弱性综合分析系统及方法 | |
CN109726599B (zh) | 基于神经网络的芯片密钥保护模块和方法 | |
CN107092935A (zh) | 一种资产变更检测方法 | |
CN113255222B (zh) | 一种腔体滤波器的智能辅助调试方法及装置 | |
CN114140123B (zh) | 一种用于以太坊二层网络交易溯源的方法及系统 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN108268822A (zh) | 人脸识别方法、装置及机器人 | |
CN104239471B (zh) | 以行为模拟方式进行数据查询/交换的装置及其方法 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
Zhang et al. | Dual lightweight network with attention and feature fusion for semantic segmentation of high-resolution remote sensing images | |
CN107368847A (zh) | 一种作物叶部病害识别方法及系统 | |
CN117037966A (zh) | 一种智能化研发特钢的方法及系统 | |
CN111353577B (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 | |
CN110674791A (zh) | 一种基于多阶段迁移学习的强迫振荡分层定位方法 | |
CN109871835B (zh) | 一种基于互斥正则化技术的人脸识别方法 | |
CN106301756A (zh) | 用于sm2签名的大数模幂求逆功耗检测方法及其系统 | |
Senthilmurugan et al. | Improving the quality and yield in the casting of compressor pulley through the application of total failure mode and effects analysis |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230511 Address after: 250100 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: 250100 First Floor of R&D Building 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |