CN110490154A - 一种多维泄漏信息检测方法、终端设备及存储介质 - Google Patents
一种多维泄漏信息检测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110490154A CN110490154A CN201910782175.5A CN201910782175A CN110490154A CN 110490154 A CN110490154 A CN 110490154A CN 201910782175 A CN201910782175 A CN 201910782175A CN 110490154 A CN110490154 A CN 110490154A
- Authority
- CN
- China
- Prior art keywords
- information
- leakage
- electronic equipment
- electromagnetic
- dimension
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Shielding Devices Or Components To Electric Or Magnetic Fields (AREA)
Abstract
本发明涉及一种多维泄漏信息检测方法、终端设备及存储介质,该方法中包括:S1:从多个维度上采集电子设备的电磁泄露信号组成对应的多个训练集;S2:构建改进卷积神经网络模型,将预处理后的每个训练集输入改进卷积神经网络模型并对模型进行训练后,得到对应于该训练集的维度的分类器;S3:采集待检测电子设备的电磁泄露信号,将其输入步骤S2得到的各维度对应的分类器中得到各维度对应的检测结果;S4:综合待检测电子设备在各维度对应的检测结果得到该待检测电子设备的泄露信息。本发明不需要人为地为每个维度定义信息特征,完全由改进卷积神经网络来提取特征完成识别检测。
Description
技术领域
本发明涉及电磁信号检测技术领域,尤其涉及一种多维泄漏信息检测的方法、终端设备及存储介质。
背景技术
随着人类社会信息化的日益深入,数字化信息设备广泛应用于社会的各个领域。根据电磁学原理,电子设备在工作过程中会产生电磁辐射。对于电子设备来说,电磁辐射是无意的,也是不可避免的。研究表明,电磁辐射会引起电子器件的信息泄漏。电磁信息泄漏是难以察觉的,往往被忽视。自从1985年第一次报道了从视频显示单元的电磁发射中窃取图像信息以来,研究人员已经证明了各类计算机显示器、键盘、电源线以及智能加密卡中存在电磁信息泄漏风险。
通过电磁辐射泄漏的信息检测可分为两类:(1)采用相应的检测方法从各电子设备的电磁辐射中获取电子设备正在处理的信息,包括:窃听计算机显示器或连接线上显示的图像信息,截取键盘输入的信息,破解加密芯片的密钥等。(2)对电子设备进行电磁信息泄漏的定位或根据其电磁特性对电子设备进行识别。事实上,上述两种信息泄漏往往同时发生,并且包含在同一个电磁泄漏信号中。这意味着电子设备无意中发出的电磁信号中隐藏着许多不同类型的信息。以往的研究往往只关注某一特定的信息,并通过分析其独特的特征来检测它。
传统的电磁信息泄漏检测方法,均需要事先明确待测信息的某些特征,检测方法可以看作是在电磁信号中寻找这些特征。采用传统的手段检测各种电磁信息泄漏,对于每种电磁信息泄漏特征的定义和提取方法各不相同,相应的检测识别方法也各不相同。事实上,由于电磁信息泄漏来自于电子设备无意电磁辐射,其信噪比极低且缺乏明显的特征,要明确定义和提取所有信息维度的泄漏特征是十分困难的。
发明内容
为了解决上述问题,本发明提出了一种多维泄漏信息检测方法、终端设备及存储介质。
具体方案如下:
一种多维泄漏信息检测方法,包括以下步骤:
S1:从多个维度上采集电子设备的电磁泄露信号组成对应的多个训练集,并对训练集中的数据进行预处理,以增强信号特征;
S2:构建改进卷积神经网络模型,将预处理后的每个训练集输入改进卷积神经网络模型并对模型进行训练后,得到对应于该训练集的维度的分类器;
S3:采集待检测电子设备的电磁泄露信号,将其输入步骤S2得到的各维度对应的分类器中得到各维度对应的检测结果;
S4:综合待检测电子设备在各维度对应的检测结果得到该待检测电子设备的泄露信息。
进一步的,所述改进卷积神经网络模型中包括两个卷积层、两个池化层和一个全连接输出层,每个卷积层均由依次的一维卷积核、批量归一化函数和线性整流函数构成。
进一步的,电磁泄露信号包括电子设备所处理信息和电子设备自身信息中的任意一种或两种。
进一步的,所述预处理为通过快速傅里叶变换,将时域信号转换为频域信号。
进一步的,步骤S4中通过下式得到电子设备的泄露信息:
其中,I为电子设备的泄露信息,即多个维度泄露信息的集合,k为泄露信息中包含的维度总数,Ik为第k维信息。
一种多维泄漏信息检测终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,与传统的针对一种泄漏信息的一种检测方法不同,本发明中方法采用统一的改进卷积神经网络结构来检测多种泄漏信息。由于该方法的不需要人为地为每个维度定义信息特征,完全由改进卷积神经网络来提取特征完成识别检测。理想情况下,如果需要检测的电磁泄漏信息维度发生变化,只需相应地添加或删除分类器。多种信息均采用统一检测方法,降低了检测难度,这为电磁信息泄漏检测提供了一个全新的思路。此外,该方法减少了人为操作经验对检测的误差影响,有助于实现检测工作的标准化。
附图说明
图1所示为本发明实施例一中设备所处理信息的泄漏示意图。
图2所示为该实施例中设备自身信息的泄漏示意图。
图3所示为该实施例中电子设备的多维电磁信息泄漏模型。
图4所示为该实施例中计算机显示器的多维信息泄漏示意图。
图5所示为该实施例中电子设备的多维电磁信息泄漏检测方法示意图。
图6所示为该实施例中的网络结构示意图。
图7所示为该实施例中计算机显示器的多维信息泄漏检测流程图。
图8所示为该实施例中计算机显示器电磁泄漏的时域信号。
图9所示为该实施例中计算机显示器电磁泄漏的频域信号。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
电子设备工作时会无意辐射出电磁信号,这些电磁信号中含有威胁信息安全的各种信息,从而导致信息泄漏。这一现象即为电磁信息泄漏。该实施例中,将电子设备无意辐射泄漏的电磁信号中隐藏的信息可以分为两类:设备所处理的信息和设备自身的信息。
(1)设备所处理信息的泄漏
设备所处理的信息是电子设备中正在处理的数据。例如,显示在监视器中的图像,以及加密设备计算的加密信息。在设备中处理数据时,数据的信息以电磁波的形式从设备中泄漏出来,如图1所示。在这一过程中,设备就像是电磁信息泄漏的介质。
(2)设备自身信息的泄漏
设备自身信息是电子设备本身的特征信息,如图2所示。例如,电子性能、操作参数、位置和电磁指纹。
设备所处理的信息产生泄漏直接关系到设备上的数据安全。而设备自身信息泄漏则是通过威胁设备安全间接影响数据安全。
需要注意的是,这两种类型并不是相互排斥的,一些泄漏的信息同时具有这两种类型的特征。例如,图像在显示器上显示时的分辨率。该分辨率不仅是图像信息的一部分,而且是显示器的运行参数。因此,分辨率属于设备所处理的信息,同时也属于设备自身的信息。当电子设备工作时,这两种电磁信息泄漏会与电磁辐射同时发生。也就是说,相同的电磁泄漏信号包含不同内涵的多维信息。来自不同维度的信息大多是独立的。可以根据特定的目的从同一个电磁信号中识别出所需的信息。为了识别不同维度的信息,通常采用不同的识别方法。
电子设备在运行过程中会发生无意的电磁泄漏。检测泄漏的电磁信号可以获得隐藏的信息。同一信号通过不同的识别方法可以得到不同的信息,构成了电磁泄漏的多维信息。其中一个维度的信息可能是设备泄漏的一种信息,或者是设备本身的信息,或者两者兼而有之。
该实施例中首先提出了一种多维电磁信息泄漏模型,如图3所示,由下述公式表示:
其中,I为电磁泄漏的N维信息的集合,集合中信息的类型包括上述的两类泄漏信息:设备所处理的信息和设备自身的信息;Ik为第k维信息,k为信息包含的维度总数,式(1)可由式(2)展开:
Ik=Dk(S) (2)
其中,S为电子设备无意辐射的电磁信号;Dk为识别第k维信息的检测方法。在现有的研究中,电磁信息泄漏检测只关注其中某一个维度。按照传统的思路,每个维度都要单独分析其信息特征,采用针对性的检测方法。因此,每个维度的信息都需要相应的检测方法。
为了更好地阐述上述多维电磁信息泄漏模型,下面以计算机显示器为例,进一步说明多维信息泄漏的产生并证明模型的有效性。
当计算机显示器显示图像时,会产生无意的电磁辐射。显示器辐射的电磁信号中至少隐藏着三种信息:图像信息、图像/显示器的分辨率、显示器的电磁特性,如图4所示。
图像信息在被显示器处理时,会随着显示器无意发出的电磁辐射而泄漏。在一定条件下,利用辐射的电磁信号可以重建复现出显示器上的图像。根据多维电磁信息泄漏模型,复现的图像是设备所处理的信息,而非设备本身固有的信息。
大多数计算机显示器可以设置不同的显示分辨率。当图像显示在显示器上时,图像的分辨率将自动调整,以匹配显示器所设定的分辨率。因此,分辨率不仅是图像的结构信息,而且是当时显示器自身的工作参数。根据模型的描述,分辨率不仅属于设备所处理的信息,也属于设备自身的信息。分辨率既可以用于分析复现图像,也反映了显示器的工作性能和状态。获取分辨率,会同时威胁到显示器上的图像信息安全和显示器自身的设备安全。
每一种型号的显示器都有其不同的电气特性,因此显示器的电磁辐射会有其独特的电磁特性,可以称为电磁指纹。电磁指纹存在于显示器的所有电磁辐射中,是显示器的固有信息。因此,基于提出的模型,电磁指纹属于设备自身的信息。
作为实施案例,上述三种信息构成了计算机显示器多维电磁信息泄漏的三个维度。
下面在上述模型的基础上提出一种用于识别电子设备的电磁辐射的多维泄漏信息检测方法,该方法为针对多维泄露信息的“一对多”检测,以取代传统方法的针对一种泄漏信息的“一对一”检测。
如图5所示,该实施例将传统的多种检测方法Dk统一成一种检测方法DM,式(2)可以改写为式(3)。
Ik=DM(S) (3)
该实施例中提出的方法基于卷积神经网络(Convolutional Neural Network,CNN),具体包括以下步骤:
(1)对电子设备电磁泄漏信号进行统一的预处理,以增强信号特征。
该实施例中采用的预处理方法为快速傅里叶变换(Fast Fourier Transform,FFT):
其中,X(k)为变换之后的频谱序列,x(n)为原始的时域信号序列。
(2)对预处理之后的电磁信号序列,使用改进卷积神经网络,在不同的信息维度上分别训练分类器。
针对上述需求,该实施例中提出了一种用于多维信息检测的卷积神经网络(Multi-dimension Information Detection Convolutional Neural Network,MID-CNN)。有别于常见的CNN,该实施例中提出的MID-CNN特别采用了一维卷积核(Conv1D)。MID-CNN由两个卷积层、两个池化层(Max pooling)和一个全连接输出层(Fully Connected,FC)构成,如图6所示。每个卷积层的一维卷积核之后,都跟有批量归一化函数(BatchNormalization,BN)和线性整流函数(Rectified Linear Units,ReLU)。MID-CNN每层的结构参数如表1所示。
表1
下面分别对各层进行介绍:
a)一维卷积核的作用是利用一维的卷积核(过滤器),通过卷积运算,提取输入电磁信号序列中的隐藏信息。计算公式为:
其中,X(L)是第L层卷积运算的输入序列,X(L+1)为第L层卷积运算的输出序列,也是第L+1层的输入序列;W(L)是第L层卷积核的权值参数,B(L)是第L层卷积核的偏置参数,它们在神经网络训练过程中通过优化器的学习实现更新。
b)批量归一化是该实施例中采用的批标准化处理,将其放置在一维卷积核之后且线性整流函数之前,目的是将其激活值规整为均值为0,方差为1的正态分布,从而可以加快模型收敛速度,有利于增强模型泛化能力。
c)线性整流函数是该实施例中采用的激活函数,其作用是增加神经网络各层之间的非线性关系,抑制深度学习的过拟合问题,克服梯度消失,提高神经网络的学习速度。线性整流函数的计算公式如下:
R(x)=max(0,x)
线性整流函数跟随在一维卷积核之后,合并计算后,可以表示为:
d)池化层是下采样层,目的是降低过拟合,提升计算性能。其原理是利用设定步长在目标序列中以滑动窗口的方式移动过滤器,将窗口中的所有单元中的最大值保留下来。
(3)对一个待测电磁信号,利用训练好的分类器分别进行多维信息识别检测。综合各个维度的检测结果Ik,得到电子设备的多维电磁泄漏信息I。
下面以计算机显示器电磁泄漏的图像、分辨率和电磁指纹三个维度信息为例进行电磁信息泄漏检测,如图7所示。
本实施例从图像、分辨率和电磁指纹(代表显示器类型)三个维度上采集了计算机显示器的多维信息泄漏信号样本,如表2所示。为了验证多维信息检测能力,信号样本分别来自两类显示器,采集时显示器分别以两种分辨率显示两个图像内容。这样,采集的电磁辐射信号同时具有三个维度的信息,每个维度信息有两种可能,实例数据集可以分成八类(23=8)。
表2
为了增加检测难度,进一步验证算法的有效性,还在样本数据中加入随机噪声。对每类的600个样本中的400个样本分别加入不同高斯噪声,如表3:
表3
具体的实施步骤如下:
步骤一、对截获的计算机显示器电磁泄漏信号进行统一的预处理,以增强信号特征。预处理方法为FFT。
图8为预处理之前的计算机显示器电磁泄漏信号,该原始信号是在时域采集的,横坐标是时间,纵坐标是对应的信号电压幅度。从图中可以看出,时域信号的变化并不明显。之后的实验结果也证明,直接对时域信号进行检测,检测效果不理想。
图9为图8中的信号经过预处理之后的结果,时域信号被转换成频谱信号。相同的信号,在频域体现了丰富的频谱特征。这将有利于卷积神经网络进行特征提取,从而实现识别检测。
步骤二、对预处理后的电磁信号数据,使用该实施例中的MID-CNN结构和方法,在图像、分辨率和泄漏源三个信息维度上分别训练三个分类器。
步骤三、对同一个待测电磁信号,利用训练好的分类器分别进行图像、分辨率和泄漏源识别检测。综合三个维度的检测结果,得到计算机显示器的三维电磁泄漏信息。
在三个维度上的检测结果分别在表4-6中展示,为了说明本发明的提出MID-CNN的优越性,和目前主流的三种CNN做了对比实验:VGGNet、AlexNet和GoogleNet。检测结果采用四个评价指标:准确率、精准率、召回率和F1。F1可以看作是精准率和召回率的一种调和平均。检测结果表明本实施例中的MID-CNN结构由于其他三种网络结构。
表4
评价指标 | Vgg | Alex | MID-CNN | |
准确率 | 50.00% | 69.94% | 66.22% | 78.28% |
精准率 | 10.00% | 70.61% | 64.63% | 77.99% |
召回率 | 20.00% | 69.92% | 81.99% | 78.90% |
F1 | 13.33% | 69.77% | 70.04% | 78.40% |
表5
评价指标 | Vgg | Alex | MID-CNN | |
准确率 | 50.00% | 70.86% | 69.50% | 77.82% |
精准率 | 20.00% | 74.68% | 64.89% | 77.70% |
召回率 | 40.00% | 64.78% | 87.76% | 78.18% |
F1 | 26.67% | 68.54% | 74.01% | 77.87% |
表6
评价指标 | Vgg | Alex | MID-CNN | |
准确率 | 50.00% | 75.69% | 74.33% | 89.31% |
精准率 | 30.00% | 74.35% | 84.27% | 88.76% |
召回率 | 60.00% | 78.60% | 65.82% | 90.67% |
F1 | 40.00% | 76.37% | 71.11% | 89.40% |
本发明实施例提供的技术方案是电磁信息安全领域的新成果,在传统的电磁泄漏检测方法中需要事先知道哪些特征与信息泄漏有关。传统检测过程是在电磁信号中寻找这些已定义的信息泄漏特征。
1)电磁泄漏图像检测
自首次报道从视频显示单元中窃听图像信息的实验以来,图像重建成为电磁泄漏图像识别的必要手段。有一些不需要重构图像的方法可以用来判断图像信息是否泄漏。因此,图像重建是目前最可行的电磁泄漏图像识别方法。而图像重建需要一些严格的条件,其中最重要的是同步信号。根据第二节的分析。重新排列一维电磁泄漏信号,恢复二维图像需要帧同步和线同步信号的引导。由于检测仪器和电磁环境的干扰,即使获得了同步信号,在图像重建过程中也往往需要手动调整参数。
2)分辨率识别
分辨率匹配同步信号。如果电磁泄漏信号含有分辨率信息,可以在信号中发现一些周期性特征。这些周期特性是由于同步信号产生的周期性电磁辐射,使得周期与同步信号的间隔一致。因此,现有的分辨率识别方法是找到电磁泄漏信号频谱上的周期信号,并匹配分辨率参数。周期信号是识别分辨率前需要知道的特定特征。
3)电磁泄漏源识别
电子设备的电子数字电路产生许多周期信号,如时钟和振荡器。一台计算机显示器由各种电子元件组装而成。这些组件中的每一个都会产生自己的电磁泄漏。由于大部分器件为数字电路,电路中的时钟和振荡器会产生周期信号,从而赋予电磁泄漏信号周期性特征。这些周期特性与电子元器件的运行速度、加工能力等性能参数有关。
将各部件的电磁信号以各种方式混合在一起,如累加和调制,形成具有监控器独特特性的复合电磁泄漏信号。复合电磁泄漏信号是可识别的,可视为电磁指纹。值得一提的是,电磁泄漏信号的产生和混合都是无意的。因此,电磁指纹是电子设备的固有特征。通过对电磁指纹的分析,可以确定造成电磁泄漏的电子设备类型。这一过程也称为电磁泄漏源识别。传统方法识别电子设备的电磁指纹,需要拆卸电子设备,逐个测量电子元器件的电磁特性,才能确定组成电子设备电磁指纹的各个特征分量。
因此,现有的电磁泄漏识别方法通常只关注泄漏电磁信号中某一维度的信息。他们可能忽略了同一电磁信号中存在多个维度的信息。提出的多维信息模型是对电磁信息泄漏的一种新的理论描述。在以往的工作中,为了识别特定的电磁信息泄漏,需要定义特定的泄漏特征。一般来说,识别方法是寻找已定义的特征。例如,现有的图像泄漏识别方法是重建一个可识别的图像,现有的分辨率识别方法是寻找特定的周期信号,图像特征是为识别泄漏图像而人工定义和提取的特定特征。周期信号是识别分辨率前需要知道的特定特征。传统的电磁信息泄漏识别方法需要人工定义不同类型的电磁信息泄漏特征。但是,有一些隐藏的特征不容易定义和提取。例如,识别电子设备的电磁指纹。只有拆卸电子设备,逐个测量电子元器件的电磁特性,才能确定组成电子设备电磁指纹的各个特征分量。
本实施例中的方法利用改进卷积神经网络自动提取电磁信号中多维信息的隐藏特征,避免了人工定义和提取的麻烦。为电磁信息泄漏识别提供了一种新的方法。实验结果表明,该方法可以从不同的维度提取电磁泄漏信息。此外,由于采样率低,如2MS/s,一些实验样本根本无法重建图像。这意味着传统方法无法在采样率不足的情况下识别图像内容。相比之下,该实施例中的方法能够以如此低的采样率识别图像信息。因此,该实施例中的方法可以降低电磁检测仪的精度要求,从而降低识别的硬件成本。
综上所述,本发明实施例一具有如下有益效果:
1.首次提出了一种多维电磁信息泄漏模型。以往的研究只关注特定类型的信息泄漏,忽略了泄漏的电磁信号中包含多种类型的信息。本发明的多维信息泄漏模型,揭示了非故意电磁辐射中存在的多重信息泄漏风险。该模型可以更全面地解释电磁信息泄漏,为电磁信息泄漏识别的研究提供理论依据。
2.提出了一种新的新的多维信息泄漏检测方法,来识别由无意电磁辐射泄漏的多维信息。与传统的识别方法不同,该方法可以使用相同检测方法从同一电磁辐射信号中识别多种泄漏信息。克服了以往方法需要人为定义特定识别特征的缺点。为电磁信息泄漏识别提供了一种新的方法,填补了该领域的空白。
3.提出了一种新的MD-CNN神经网络结构。与常见的卷积神经网络不同,该网络结构采用一维卷积核,能更好地适应电磁信号的检测识别。并在网络中加入批标准化处理,减少电磁信号大幅度波动带来的不利影响,提升神经网络的泛化能力。
实施例二:
本发明还提供一种多维泄漏信息检测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述多维泄漏信息检测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述多维泄漏信息检测终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述多维泄漏信息检测终端设备的组成结构仅仅是多维泄漏信息检测终端设备的示例,并不构成对多维泄漏信息检测终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述多维泄漏信息检测终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述多维泄漏信息检测终端设备的控制中心,利用各种接口和线路连接整个多维泄漏信息检测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述多维泄漏信息检测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述多维泄漏信息检测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (7)
1.一种多维泄漏信息检测方法,其特征在于,包括以下步骤:
S1:从多个维度上采集电子设备的电磁泄露信号组成对应的多个训练集,并对训练集中的数据进行预处理,以增强信号特征;
S2:构建改进卷积神经网络模型,将预处理后的每个训练集输入改进卷积神经网络模型并对模型进行训练后,得到对应于该训练集的维度的分类器;
S3:采集待检测电子设备的电磁泄露信号,将其输入步骤S2得到的各维度对应的分类器中得到各维度对应的检测结果;
S4:综合待检测电子设备在各维度对应的检测结果得到该待检测电子设备的泄露信息。
2.根据权利要求1所述的方法,其特征在于:所述改进卷积神经网络模型中包括两个卷积层、两个池化层和一个全连接输出层,每个卷积层均由依次的一维卷积核、批量归一化函数和线性整流函数构成。
3.根据权利要求1所述的方法,其特征在于:电磁泄露信号包括电子设备所处理信息和电子设备自身信息中的任意一种或两种。
4.根据权利要求1所述的方法,其特征在于:所述预处理为通过快速傅里叶变换,将时域信号转换为频域信号。
5.根据权利要求1所述的方法,其特征在于:步骤S4中通过下式得到电子设备的泄露信息:
其中,I为电子设备的泄露信息,即多个维度泄露信息的集合,k为泄露信息中包含的维度总数,Ik为第k维信息。
6.一种多维泄漏信息检测终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~5中任一所述方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~5中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782175.5A CN110490154B (zh) | 2019-08-23 | 2019-08-23 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782175.5A CN110490154B (zh) | 2019-08-23 | 2019-08-23 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490154A true CN110490154A (zh) | 2019-11-22 |
CN110490154B CN110490154B (zh) | 2020-09-15 |
Family
ID=68553064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782175.5A Active CN110490154B (zh) | 2019-08-23 | 2019-08-23 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490154B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680796A (zh) * | 2018-05-17 | 2018-10-19 | 集美大学 | 用于计算机显示器的电磁信息泄漏检测系统及方法 |
CN110909819A (zh) * | 2019-12-02 | 2020-03-24 | 集美大学 | 基于时域的电磁信息泄漏检测方法、终端设备及存储介质 |
CN110941020A (zh) * | 2019-12-16 | 2020-03-31 | 杭州安恒信息技术股份有限公司 | 基于电磁泄漏的盗摄器材的检测方法及装置 |
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 |
CN111833856A (zh) * | 2020-07-15 | 2020-10-27 | 厦门熙重电子科技有限公司 | 基于深度学习的语音关键信息标定方法 |
CN112883385A (zh) * | 2019-11-29 | 2021-06-01 | 上海复旦微电子集团股份有限公司 | 侧信道泄露位置定位方法及装置、存储介质、终端 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255825A (zh) * | 2017-07-24 | 2017-10-17 | 吴高翔 | 信号分类方法、装置及卫星信号检测设备 |
US20180129893A1 (en) * | 2016-11-07 | 2018-05-10 | Samsung Electronics Co., Ltd. | Convolutional neural network processing method and apparatus |
CN108663576A (zh) * | 2018-05-08 | 2018-10-16 | 集美大学 | 一种复杂环境下微弱电磁红信号检测方法 |
CN108680796A (zh) * | 2018-05-17 | 2018-10-19 | 集美大学 | 用于计算机显示器的电磁信息泄漏检测系统及方法 |
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 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
-
2019
- 2019-08-23 CN CN201910782175.5A patent/CN110490154B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180129893A1 (en) * | 2016-11-07 | 2018-05-10 | Samsung Electronics Co., Ltd. | Convolutional neural network processing method and apparatus |
CN107255825A (zh) * | 2017-07-24 | 2017-10-17 | 吴高翔 | 信号分类方法、装置及卫星信号检测设备 |
CN108663576A (zh) * | 2018-05-08 | 2018-10-16 | 集美大学 | 一种复杂环境下微弱电磁红信号检测方法 |
CN108680796A (zh) * | 2018-05-17 | 2018-10-19 | 集美大学 | 用于计算机显示器的电磁信息泄漏检测系统及方法 |
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 |
CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
冯彬彬: "EMC现场测试中的信号检测与信息提取研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李少华: "云端卷积神经网络算法的安全增强机制研究", 《万方数据》 * |
秦焱: "计算机电磁信息泄露与防护分析", 《无线互联科技》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680796A (zh) * | 2018-05-17 | 2018-10-19 | 集美大学 | 用于计算机显示器的电磁信息泄漏检测系统及方法 |
CN108680796B (zh) * | 2018-05-17 | 2023-09-19 | 集美大学 | 用于计算机显示器的电磁信息泄漏检测系统及方法 |
CN112883385A (zh) * | 2019-11-29 | 2021-06-01 | 上海复旦微电子集团股份有限公司 | 侧信道泄露位置定位方法及装置、存储介质、终端 |
CN112883385B (zh) * | 2019-11-29 | 2022-07-01 | 上海复旦微电子集团股份有限公司 | 侧信道泄露位置定位方法及装置、存储介质、终端 |
CN110909819A (zh) * | 2019-12-02 | 2020-03-24 | 集美大学 | 基于时域的电磁信息泄漏检测方法、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 |
CN110941020A (zh) * | 2019-12-16 | 2020-03-31 | 杭州安恒信息技术股份有限公司 | 基于电磁泄漏的盗摄器材的检测方法及装置 |
CN111833856A (zh) * | 2020-07-15 | 2020-10-27 | 厦门熙重电子科技有限公司 | 基于深度学习的语音关键信息标定方法 |
CN111833856B (zh) * | 2020-07-15 | 2023-10-24 | 厦门熙重电子科技有限公司 | 基于深度学习的语音关键信息标定方法 |
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 |
---|---|
CN110490154B (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490154A (zh) | 一种多维泄漏信息检测方法、终端设备及存储介质 | |
Hu et al. | Orthogonal moments based on exponent functions: Exponent-Fourier moments | |
Yang et al. | Simultaneous earthquake detection on multiple stations via a convolutional neural network | |
Wan et al. | Adaptive cost dynamic time warping distance in time series analysis for classification | |
CN107992764B (zh) | 一种敏感网页识别与检测方法及装置 | |
CN106295338A (zh) | 一种基于人工神经元网络的sql漏洞检测方法 | |
CN110969123A (zh) | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 | |
Liu et al. | CNN-based rescaling factor estimation | |
Ahmad et al. | An efficient image retrieval tool: query based image management system | |
Wang et al. | Change detection in SAR images based on the logarithmic transformation and total variation denoising method | |
Kinser | Image Operators: Image Processing in Python | |
Zhao et al. | 3D target detection using dual domain attention and SIFT operator in indoor scenes | |
Fu et al. | A noise-resistant superpixel segmentation algorithm for hyperspectral images | |
RU2569049C2 (ru) | Способ и система для идентификации событий цифрового сигнала | |
CN110909819A (zh) | 基于时域的电磁信息泄漏检测方法、终端设备及存储介质 | |
Han et al. | Precise localization of eye centers with multiple cues | |
Sun et al. | Virtual reality of recognition technologies of the improved contour coding image based on level set and neural network models | |
Chai et al. | Three-stage image forgery localization with shallow feature enhancement and attention | |
Shen et al. | Spatiotemporal volume saliency | |
Yong | Research on Painting Image Classification Based on Transfer Learning and Feature Fusion | |
Liu et al. | A new data augmentation method based on local image warping for medical image segmentation | |
Yan et al. | Yolo-pd: Abnormal signal detection in gas pipelines based on improved yolov7 | |
Prakash et al. | Keypoint-based passive method for image manipulation detection | |
CN107945195A (zh) | 基于轮廓波集成dbn的极化sar图像变化检测方法 | |
Du et al. | Contour recognition of roadheader cutting head based on shape matching |
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 |