CN110969123A - 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 - Google Patents
基于频域的电磁信息泄漏检测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110969123A CN110969123A CN201911212111.8A CN201911212111A CN110969123A CN 110969123 A CN110969123 A CN 110969123A CN 201911212111 A CN201911212111 A CN 201911212111A CN 110969123 A CN110969123 A CN 110969123A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic
- leakage
- signal
- information leakage
- representing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及基于频域的电磁信息泄漏检测方法、终端设备及存储介质,该方法中包括:S1:采集待测电磁信号,并将其转换为频谱信号;S2:构建泄漏特征分类模型并进行训练,所述泄漏特征分类模型包括两个卷积层、两个池化层和一个全连接层;S3:将频谱信号输入训练后的模型后,得到电磁信息泄漏特征的特征向量和分类得分;S4:根据特征向量和分类得分,计算其热点图;S5:将待测电磁信号对应的频谱信号与热点图进行叠加对比,得到待测电磁信号的信息泄漏特征在电磁频谱中的位置。本发明在无需实现定义信息特征的情况下,实现了对电磁信号中的信息泄漏特征重点区域的定位和提取,并通过热点图进行可视化解释。
Description
技术领域
本发明涉及电磁泄漏信息检测领域,尤其涉及一种基于频域的电磁信息泄漏检测方法、终端设备及存储介质。
背景技术
电磁泄漏信号是包括计算机及其相关附属设备在内的电子信息设备工作时,伴随着信息输入、处理、输出等过程中的电流变化产生的电磁辐射信号。不仅仅是显示屏、键盘、鼠标等外部设备,内部设备如芯片、磁盘等在工作中同样会辐射出携带信息的电磁信号。这些携带信息的电磁信号就有可能被接收和还原技术进行复现,对于某些保密信息的泄漏是不可接受的。所以电磁信息泄漏对信息安全的威胁是巨大的。为了应对电磁信息泄漏带来的信息安全威胁,必须对电子信息设备进行有效的电磁信息泄漏检测。不同于人为产生的有意电磁发射,自然发生的无意电磁辐射的复杂性,还没有被完全掌握,未有完整的理论解释和完善的检测方法。对于电磁信号中信息泄漏特征的定位和提取缺乏智能化方法。电磁信息泄漏检测的结果可以为电子设备的电磁信息安全防护提供依据,传统的防护方法如采用低辐射设备、屏蔽加固技术、噪声干扰技术等防护手段由于无法准确定位电磁信号中的主要电磁信息泄漏特征,只能无差别对整体进行防护降低整体的电磁信息辐射强度,防护方法存在一定盲目性,,与此同时防护的成本也比较高。
发明内容
为了解决上述问题,本发明提出了一种基于频域的电磁信息泄漏检测方法、终端设备及存储介质。
具体方案如下:
一种基于频域的电磁信息泄漏检测方法,包括以下步骤:
S1:采集待测电磁信号,并将其转换为频谱信号;
S2:构建泄漏特征分类模型并进行训练,所述泄漏特征分类模型包括两个卷积层、两个池化层和一个全连接层;
S3:将频谱信号输入训练后的模型后,得到电磁信息泄漏特征的特征向量和分类得分;
S4:根据电磁信息泄漏特征的特征向量和分类得分,计算其热点图;
S5:将待测电磁信号对应的频谱信号与热点图进行叠加对比,得到待测电磁信号的泄漏特征在电磁信号中的位置,以实现电磁信息泄漏特征的定位和检测。
进一步的,步骤S1中通过将时域信号进行快速傅里叶变换转换为频谱信号。
进一步的,两个卷积层均采用一维卷积核,其卷积计算公式为:
其中,L表示各层的索引号,X(L)和X(L+1)分别表示第L层的输入特征向量和输出特征向量,W(L)表示第L层的权值向量,B(L)表示第L层的偏置向量。
进一步的,卷积层中的激活函数采用线性整流函数ReLU:
ReLU(x)=max(0,x)
其中,x表示函数的自变量。
进一步的,卷积层中还包括Dropout函数,Dropout函数影响后的结果为:
x*i,j (L)=xi,j (L)×ri,j (L)/p
其中,xi,j (L)表示第L层的特征值X(L)中的第i个通道的序列中第j个单元的数值,x*i,j (L)表示xi,j (L)经过dropout函数处理之后的数值,p为常数参数,ri,j (L)是一个独立的伯努利随机变量,其以p的概率取值为1,以1-p的概率取值为0。
进一步的,热点图的计算公式为:
其中,表示第s个电磁信号关于分类c的信息泄漏热点图,K表示特征向量的个数,k表示特征向量的序号,i表示特征的序号,Ak表示第k个特征向量,表示第k个特征向量中第i个特征的值,Z表示特征向量的长度,yc表示类别c的分类得分,表示第k个特征向量的权重,ReLU表示线性整流函数。
一种基于频域的电磁信息泄漏检测终端设备,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,针对未知的电磁信息泄漏特征,提出了一种基于频域的电磁信息泄漏检测方法。该方法在无需实现定义信息特征的情况下,实现了对电磁信号中的信息泄漏特征重点区域的定位和提取,并通过热点图进行可视化解释。
附图说明
图1所示为本发明实施例一的整体流程框架图。
图2所示为该实施例中计算机显示器电磁泄漏的时域信号图。
图3所示为该实施例中计算机显示器电磁泄漏的频域信号图。
图4所示为该实施例中泄漏特征分类模型的结构示意图。
图5所示为该实施例中一维卷积计算过程示意图。
图6所示为该实施例中池化层原理示意图。
图7所示为该实施例中梯度加权类激活映射示意图。
图8所示为该实施例中样本图像示意图。
图9所示为该实施例中另一样本图像示意图。
图10所示为该实施例中分辨率为1280×720@60Hz的电磁泄漏信号频谱图。
图11所示为该实施例中分辨率为1280×720@60Hz的信息泄漏热点图。
图12所示为该实施例中定位电磁信号中的信息泄漏特征。
图13所示为该实施例中热点标注示意图。
图14所示为该实施例中定位显示器电磁泄漏信号中的行频特征示意图。
图15所示为该实施例中一样本的单信号热点图。
图16所示为该实施例中另一样本的单信号热点图。
图17所示为该实施例中全局热点图。
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:
如图1所示,本发明实施例提供了一种基于频域的电磁信息泄漏检测方法。本实施例中选择了视频图像的分辨率作为检测目标,是为了将检测结果与已知的信息特征进行对比,从而直观验证本方法的有效性。但是,这并不意味本方法只适用于图像信息特征标特征。本方法同样能够被应用于其它类型频域信号检测。该方法包括以下步骤:
步骤1、采集待测电磁信号,并将其转换为频谱信号。
采集的原始待测电磁信号为时域信号序列,对应的是一维像素时间序列,如图2所示。由于一维时域信号中隐藏着二维图像信息,而原始的二维图像特征分散到一维序列中之后,难以提取出二维图像的特征。如果按照传统的方法,需要同步信号的指导,才能提取复现二维图像。该实施例中提出一种不需同步信号指导的提取复现二维图像的方法,其完全靠神经网络提取信号中的图像特征,具体方法为:对采集到的时域信号进行预处理,将其转换为频谱信号。
这是因为频谱可以增强信号的周期和频率特性。图像的电磁辐射信号含有丰富的周期和频率特征,同步信号是明显的周期信号,图像的空间特征也可以映射到频域。这些特征,以及其它未知特征被CNN提取和学习,成为识别图像内容的基础。
频谱信号的具体转换方法为将时域信号进行快速傅里叶变换(Fast FourierTransform,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,N为序列的长度。
图2所示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2中可以看出,时域信号的变化并不明显。图3为图2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。
需要说明的是,预处理的过程并没有定义和提取信号特征。预处理只是将信号转换到不同的分析域,便于后续的检测计算。有别于传统方法,本检测方法不需事先明确待测信息的特征。
另外,信号需要输入特征分类模型中进行处理,因此,还需要将频谱信号处理为合适尺寸。
步骤2、构建电磁信息泄漏特征分类模型MI-CNN,并进行训练。
目前用于图像识别的经典卷积神经网络(Convolutional Neural Networks,CNN)架构有:AlexNet、VGGNet、GoogleNet等。由于图像是以二维形式表示的,基于图像识别的CNN都采用了二维卷积核进行特性提取。虽然本实施例中的检测识别的对象也是图像,但是电磁泄漏中的图像信息已经被分割散布到一维信号中了。显然,借助传统图像领域中的二维CNN来检测一维电磁图像信息泄漏是不合适的。然而,目前还未见有针对电磁信息泄漏检测的CNN架构。因此,该实施例中提出一个采用一维卷积核的CNN结构,命名为MI-CNN,以适用于电磁图像泄漏检测。
所述MI-CNN结构包括两个卷积层、两个池化层和一个全连接层,如图4所示。
MI-CNN中每一层的网络结构参数如表1所示。网络的输入为采集的待测电磁信号的一维时域信号,长度为16384。经过逐层的计算和特征提取之后,到达全连接层之前的输出为16个通道的特征向量,每个特征向量长度为512。
表1
下面介绍MI-CNN中各层的计算过程和作用。
1.卷积层
卷积层的作用是提取泄漏的电磁信号中的图像特征。电磁信号经过预处理被表示为一维时域信号,卷积层需要将转换为时域表示的图像特征从时域信号序列中抽取出来。
(1)一维卷积(Conv1D)
该实施例中使用一维卷积核来提取时域信号中的图像特性。一维卷积计算过程是以特定的步长,滑动卷积滤波器的窗口,有序地提取输入频谱的局部特征,如图5所示。步长和滤波器窗口的尺寸参见表1,两个卷积层分别设置了相应的尺寸,逐层抽取并压缩电磁泄漏信息特征。
卷积计算的公式如下所示:
其中,L表示神经网络中各层的索引号,X(L)和X(L+1)分别表示计算过程中第L层的输入特征向量和输出特征向量,W(L)是第L层神经网络的权值向量,B(L)是第L层的偏置向量。
(2)激活函数
MI-CNN中选择线性整流函数(ReLU)作为激活函数。与以往的sigmoid和tanh函数相比,ReLU激活函数可以缓解梯度消失问题,有助于抑制深度学习的过拟合问题,提高神经网络的学习速度。ReLU的计算公式如下所示:
ReLU(x)=max(0,x)
将Conv1D和ReLU的合并计算,计算过程可以表示为下式:
(3)Dropout
在激活函数之后,网络中还加上了Dropout函数,其作用是缓解网络的过拟合。其原理是以一定概率减少网络中传递的特征数量,使部分参数不更新。Dropout函数的计算如下所示:
ri,j (L)~Bernoulli(p)
ri,j (L)是一个独立的伯努利随机变量,它以p的概率取值为1,以1-p的概率取值为0,Bernoulli表示伯努利随机变量。神经网络中的数据传输受到Dropout函数影响之后,如下式:
x*i,j (L)=xi,j (L)×ri,j (L)/p
其中,xi,j (L)表示第L层的特征值X(L)中的第i个通道的序列中第j个单元的数值;x*i,j (L)表示dropout之后的单元值。该实施例中p设为0.5。
2.池化层
池化层,即下采样层,通过特征压缩,减少神经网络中的数据和参数的数量,从而抑制网络的过拟合,简化计算复杂度。该实施例中采用Max pooling的池化方法,以固定的步长,在特征序列上滑动取样窗口,将窗口内所有单元的最大值保留至下一层,如图6所示。MI-CNN中池化层的步长和窗口均取值为2,如表1所示。
3.全连接层
全连接层将前一层输出的特征向量以完全连接的方式进行加权计算后,输出分类预测结果。该实施例中,全连接层之后紧接着采用Softmax函数获取同分布最高概率输出。Softmax函数可以将全连接层之后的特征向量,映射成同尺寸的向量,使得向量中每一个元素的数值规范在0到1之间,并且这些元素的和为1。全连接层加Softmax函数的作用是将神经网络中各层计算提取的电磁图像特征映射成最终的分类检测得分,最终根据得分值大小判断当前电磁信号中隐藏的图像信息。
步骤3、将预处理后的频谱信号输入训练后的预测结果准确的电磁信息泄漏特征分类模型,得到电磁信息泄漏特征的特征向量和分类得分。
步骤4、根据电磁信息泄漏特征的特征向量和分类得分,经过Grad-CAM处理得到其热点图。
所述热点图以权重的方式标识出导致当前分类结果的重点频段,即存在信息泄漏的重点区域。
如图7所示,热点图计算过程中的各参数和计算方法如下:
1.K表示特征向量个数(通道数),该实施例中用到的特征向量由MI-CNN模型的池化层2输出。设定K=16。选取池化层2的原因是由于该层最接近全连接层。经过之前的神经网络逐层提取特征之后,该层输出的特征向量具有最好的电磁信息泄漏特征。之后的全连接层不再继续提取特征,仅是加权计算分类得分而言。
2.Z表示特征向量的长度,该实施例中设定Z=512。
3.C表示CNN模型分类的个数,分类个数根据实际情况设置,该实施例中采用的MI-CNN可以支持多分类。
4.Ak表示第k个特征向量,由待测电磁泄漏信号输入CNN模型逐层计算至池化层2输出而得,k=1,2,…K。
6.yc表示类别c的分类得分,由待测电磁泄漏信号输入CNN模型逐层计算得到,c=1,2,…C。
ReLU(x)=max(0,x)
其作用是,只保留对类别c有正向影响的非负特征值,过滤那些可能为负的特征值,避免不利影响。
到目前为止,得到的热点图长度为Z,即特征向量Ak的长度。由于经过CNN的逐层抽取,当前热点图长度是小于被测电磁信号长度的。为了能从被测电磁信号中准确定位出信息泄漏区域,还需要将热点图等比例拉伸至电磁信号的尺寸,如下式,该实施例中采用线性拉伸,即
其中,Resize表示线性拉伸函数。
步骤5、将待测电磁信号对应的频谱信号与热点图进行叠加对比,得到待测电磁信号的泄漏特征在电磁频谱中的位置,以实现电磁信息泄漏特征的定位和检测。
实验结果:
1.训练MI-CNN模型
为了更准确定位泄漏特征,本次实验从表2的实验数据集中选取了低噪声的24000个高质量样本,按照分辨率进行MI-CNN模型二分类训练。样本中包含如图8和图9所示的1024×768分辨率和1280×720分辨率样本各12000个。
经过训练得到一个准确率>99%的CNN模型。
表2
2.检测目标电磁泄漏信号
将一个分辨率为1280×720@60Hz的目标电磁泄漏信号频谱输入CNN模型,信号频谱如图10所示。
3.Grad-CAM处理
经过Grad-CAM处理之后,获得图11所示电磁信号的信息泄漏热点图。热点图表现为一个与待测电磁信号长度一致的频域序列,横坐标为频率,和电磁信号的横坐标对应。图中的纵坐标数值为Grad-CAM计算后并归一化的结果,数值越低,表示该频点或频段信息泄漏特征越明显,即为信息泄漏的热点区域。
4.定位信息泄漏特征
将图10和图11叠加之后,可以定位出电磁信号中导致信息泄漏的重点区域,如图12所示。从而可以从电磁信号中提取信息泄漏特征。
实验分析:
经过以上的实验,完成了对计算机显示器电磁信号中信息泄漏特征的定位。为确定基于Grad-CAM方法定位提取泄漏信息特征的有效性,本小节将对实验结果进行分析讨论。
1、单个电磁信号的信息泄漏热点定位
图12中所示的电磁信号为被测的实验信号,它来自于显示分辨率为1280×720@60Hz的计算机显示器的无意电磁辐射。根据视频电子标准协会(Video ElectronicsStandards Association,VESA)定义的计算机显示器定时工业标准和指南,显示器工作在1280×720@60Hz状态时,其逐行扫描的行频率为45kHz,如表3所示。这意味显示器的无意电磁辐射中如果携带着这一信息,它将成为重要的泄漏特征。
表3
从热点图来看,在45kHz位置正好有一个明显的热点,如图13所示。进一步和原电磁信号对比,如图14所示,可以看出电磁信号在45kHz频点附近有明显的幅度尖峰,这正是由1280×720@60Hz状态下的显示器的行频率所产生的。这说明该实施例中提出的检测方法成功地定位了电磁信息泄漏热点。
2、电磁信号的信息泄漏全局热点定位
通过对Grad-CAM方法的分析可知,热点图是与某个被测信号相关的。不同的被测信号输入CNN模型后,会提取出不同的特征向量,直接影响到热点图生成。
对于电磁信息泄漏检测而言,通过机器学习的方法,可以提供可参考的甚至有指导意义的全局热点。也就是说,如果热点图能够适用于更多的同类电磁信号,这将意味机器学习能够在未知泄漏特征信息的情况下,通过自学习发现电磁信号中的信息泄漏特征。这对探索未知泄漏特征的电磁信息泄漏检测,将是一个全新的突破。
在前述实验的基础上,开展进一步实验验证。将分辨率为1280×720@60Hz的所有信号分别生成热点图,如图15和图16所示,进而将所有的热点图加权平均之后,得到全局热点图(图17)。为了便于可视化比较,本次实验将热点图表示为二维的灰度图,图中颜色越浅的区域,信息泄漏的热度越高。对比全局图(图17)和单个信号图(图15、16),可以看出45kHz附近频段的热点更加明显。
本实施例中实验选择了分辨率作为检测目标,是为了将检测结果与已知的信息特征进行对比,从而验证本实施例方法提出的方法的有效性。检测过程中,本实施例方法是在未知行频相关信息的情况下,从电磁信号中定位和提取出代表当前分辨率的关键行频的。这证明了本实施例方法够在未知泄漏特征信息的情况下,通过自学习发现电磁信号中的信息泄漏特征。
发明实施例一针对未知的电磁信息泄漏特征,提出了一种基于频域的电磁信息泄漏检测方法。该方法在无需实现定义信息特征的情况下,实现了对电磁信号中的信息泄漏特征重点区域的定位和提取,并通过热点图进行可视化解释。通过电磁信息泄漏的频域样本进行实验,得出了信息泄漏特征在频谱上的定位,对信息泄漏热点进行可视化解释。
实施例二:
本发明还提供一种基于频域的电磁信息泄漏检测终端设备,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,所述基于频域的电磁信息泄漏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。所述基于频域的电磁信息泄漏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,上述基于频域的电磁信息泄漏检测终端设备的组成结构仅仅是基于频域的电磁信息泄漏检测终端设备的示例,并不构成对基于频域的电磁信息泄漏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,例如所述基于频域的电磁信息泄漏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,所述处理器是所述基于频域的电磁信息泄漏检测终端设备的控制中心,利用各种接口和线路连接整个基于频域的电磁信息泄漏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,实现所述基于频域的电磁信息泄漏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。
所述基于频域的电磁信息泄漏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-Only Memory)、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 (8)
1.一种基于频域的电磁信息泄漏检测方法,其特征在于,包括以下步骤:
S1:采集待测电磁信号,并将其转换为频谱信号;
S2:构建泄漏特征分类模型并进行训练,所述泄漏特征分类模型包括两个卷积层、两个池化层和一个全连接层;
S3:将频谱信号输入训练后的模型后,得到电磁信息泄漏特征的特征向量和分类得分;
S4:根据电磁信息泄漏特征的特征向量和分类得分,计算其热点图;
S5:将待测电磁信号对应的频谱信号与热点图进行叠加对比,得到待测电磁信号的泄漏特征在电磁频谱中的位置,以实现电磁信息泄漏特征的定位和检测。
2.根据权利要求1所述的基于频域的电磁信息泄漏检测方法,其特征在于:步骤S1中通过将时域信号进行快速傅里叶变换转换为频谱信号。
4.根据权利要求1所述的基于频域的电磁信息泄漏检测方法,其特征在于:卷积层中的激活函数采用线性整流函数ReLU:
ReLU(x)=max(0,x)
其中,x表示函数的自变量。
5.根据权利要求1所述的基于频域的电磁信息泄漏检测方法,其特征在于:卷积层中还包括Dropout函数,Dropout函数影响后的结果为:
x*i,j (L)=xi,j (L)×ri,j (L)/p
其中,xi,j (L)表示第L层的特征值X(L)中的第i个通道的序列中第j个单元的数值,x*i,j (L)表示xi,j (L)经过dropout函数处理之后的数值,p为常数参数,ri,j (L)是一个独立的伯努利随机变量,其以p的概率取值为1,以1-p的概率取值为0。
7.一种基于频域的电磁信息泄漏检测终端设备,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1~6中任一所述方法的步骤。
8.一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1~6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212111.8A CN110969123A (zh) | 2019-12-02 | 2019-12-02 | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212111.8A CN110969123A (zh) | 2019-12-02 | 2019-12-02 | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110969123A true CN110969123A (zh) | 2020-04-07 |
Family
ID=70032545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911212111.8A Pending CN110969123A (zh) | 2019-12-02 | 2019-12-02 | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969123A (zh) |
Cited By (5)
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 |
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 |
CN112964938A (zh) * | 2021-02-08 | 2021-06-15 | 中国气象科学研究院 | 一种基于人工智能的闪电单站定位方法、装置及系统 |
CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
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 |
-
2019
- 2019-12-02 CN CN201911212111.8A patent/CN110969123A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
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 |
Non-Patent Citations (1)
Title |
---|
RAMPRASAATH R. SELVARAJU 等: "Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
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 |
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 |
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 |
CN112964938A (zh) * | 2021-02-08 | 2021-06-15 | 中国气象科学研究院 | 一种基于人工智能的闪电单站定位方法、装置及系统 |
CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US11244157B2 (en) | Image detection method, apparatus, device and storage medium | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
US9224066B2 (en) | Object detection via validation with visual search | |
CN112560967B (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
He et al. | Optimized ensemble EMD-based spectral features for hyperspectral image classification | |
CN112307984B (zh) | 基于神经网络的安全帽检测方法和装置 | |
CN113571067A (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
CN103714340B (zh) | 基于图像分块的自适应特征提取方法 | |
Xu et al. | LMO-YOLO: A ship detection model for low-resolution optical satellite imagery | |
Zhang et al. | Visual aesthetic understanding: Sample-specific aesthetic classification and deep activation map visualization | |
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 | |
Fan et al. | A novel sonar target detection and classification algorithm | |
Shen et al. | Feature fusion-based malicious code detection with dual attention mechanism and BiLSTM | |
CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
CN111260655A (zh) | 基于深度神经网络模型的图像生成方法与装置 | |
Meng et al. | Fine-grained ship recognition for complex background based on global to local and progressive learning | |
CN107742114B (zh) | 高光谱图像特征检测方法及装置 | |
CN116662929A (zh) | 雷达信号识别模型的训练方法以及雷达信号识别方法 | |
CN106709428A (zh) | 一种基于欧拉核主成分分析的一维距离像稳健识别方法 | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
Johnson et al. | A study on eye fixation prediction and salient object detection in supervised saliency | |
Bai et al. | Nonlocal-similarity-based sparse coding for hyperspectral imagery classification | |
CN111539470A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
Akan et al. | Just noticeable difference for machine perception and generation of regularized adversarial images with minimal perturbation |
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: 20200407 |