CN111597947A - 一种基于电源功率因数矫正噪声的应用程序推断方法 - Google Patents

Abstract

本发明公开了一种基于电源功率因数矫正噪声的应用程序推断方法，该方法包括以下步骤：步骤1.采集不同应用程序的PFC噪声，用于训练分类器；步骤2.对步骤1采集的信号进行预处理；步骤3.对预处理后的信号进行特征提取；步骤4.将提取好特征的信号序列分为训练样本和测试样本，训练SVM分类器；步骤5.采用训练好的SVM分类器推断目标计算机运行的应用程序。本发明方法利用电源功率因数矫正模块的噪声与CPU负载的耦合关系，通过采集同一相供电内任一插座的电压来推断用户计算机运行的应用程序。本发明可以在距离较远的位置，甚至与目标不在同一房间内，推断目标计算机运行的应用程序，提升了推断计算机运行应用程序的可行性。

Description

一种基于电源功率因数矫正噪声的应用程序推断方法

技术领域

本发明属于计算机网络安全领域，涉及一种基于电源功率因数矫正噪声的应用程序推断方法。

背景技术

目前推测目标计算机运行的应用程序的方法大多是基于软件的，需要在目标计算机中植入监测程序，实际可行性偏低。虽然有研究者提出可通过采集目标计算机电源的输入电流推断计算机上运行的应用程序，但此方法需要在目标计算机接入电网处进行测量，具有一定的局限性。目前已有通过CPU附近磁场、通过采集计算机电流电压的推断方法，但这些方法要求将采集设备放置在目标计算机附近(接触或小于10cm)，其可行性受到限制。

因此，本发明要解决的问题是如何在不植入监测程序的情况下，通过与目标计算机处于同一相供电内的任一电源插座推断目标计算机上运行的应用程序。本发明方法可以在距离较远的位置，甚至与目标计算机不在同一房间内，推断目标计算机运行的应用程序，提升了推断计算机运行应用程序的可行性。

发明内容

本发明公开了一种基于电源功率因数矫正(PFC)噪声的应用程序的推断方法，该方法利用了电源功率因数矫正模块的噪声与CPU负载的耦合关系，通过采集同一相供电内任一插座的电压来推断用户计算机运行应用程序。本发明的方法分为训练和推断两个环节，训练阶段的流程包括数据采集、信号预处理、特征提取、训练分类器等步骤；推断阶段的流程包括数据采集、信号预处理、应用开启检测、特征提取、分类器分类等步骤。

本发明采用以下技术方案实现：

一种基于电源功率因数矫正噪声的应用程序推断方法，具体包括如下步骤：

步骤1：采集不同应用程序的PFC噪声，用于训练分类器，具体步骤如下：

步骤1.1：在与目标计算机同型号的计算机上交替打开和关闭应用程序APP_i，i∈{1,2,…,M}，M为待采集的不同应用数量，其中每个应用开启至关闭时间t_on≥5s，对于相邻两个应用程序，后一个应用的开启与前一个应用的关闭之间的时间间隔t_int≥10s，每个应用的打开次数K≥50。

步骤1.2：在电源插座上采集火线的对地电压，采样频率f_s>2f_PFC，其中f_PFC为PFC噪声的频率，得到信号序列S₁：

步骤2：信号预处理，具体步骤如下：

步骤2.1：将采集到的信号序列S₁通过中心频率为f_PFC的带通滤波器，带宽B≥B_n，其中B_m为PFC噪声主瓣宽度，得到信号序列S₂₁。

步骤2.2：对滤波后的信号序列S₂₁取绝对值，并进行窗长w_l＝1000的滑动平均，得到信号序列S₂₂

步骤2.3：将信号序列S₂₂进行最大-最小值归一化，得到信号序列S₂₃。

步骤2.4：对得到的信号序列S₂₃进行切分，将每个应用打开时的信号序列切分为一个样本，得到信号序列集合

其中，每个样本以应用打开时刻为起始点，样本长度t_l＝4s。

步骤3：特征提取。对所有的信号序列

提取特征，设s＝{x₁,x₂,…,x_n}，具体步骤如下：

步骤3.1：提取信号序列s的样本峰度

其中μ为信号序列s的均值，σ为信号序列s的标准差。

步骤3.2：提取信号序列s的样本偏度

其中μ为信号序列s的均值，σ为信号序列s的标准差。

步骤3.3：提取信号序列s的上0.9分位数P_up0.9＝{x₀|P(x<x₀)＝0.9}。

步骤3.4：提取信号序列s的绝对差和

步骤3.5：提取信号序列s傅里叶变换

的偏度

其中μ′为信号序列s′的均值，σ′为信号序列s′的标准差。

步骤3.6：提取信号序列s的线性回归斜率

步骤3.7：提取信号序列s的能量分布比率P_energyRatio＝{p_e1,p_e2,…,p_e10}，其中

[m]表示小于等于m的整数。

步骤3.8：对上述特征进行最大-最小值归一化，并将上述特征记为特征向量P＝{P_kurtosis,P_skewness,P_up09,P_meanChange,P_skewFFT,P_linearSlope,P_energyRatio}。信号序列集合

中各序列的特征记为

步骤4：将提取好特征的信号序列分为训练样本和测试样本，训练SVM分类器，具体步骤如下：

步骤4.1：将所有信号序列根据其对应的应用程序标记类别，类别范围为{1,2,…,M}。

步骤4.2：将标记好类别的序列按照5：1的比例随机分为训练集(记为D_tr)和测试集(记为D_te，保证训练集和测试集中数据分布一致，即对数据集中所有特征，训练集和测试集平均数一致(Mean(D_tr)＝Mean(D_te))，训练集和测试集中位数一致(M(D_tr)＝M(D_te))，训练集和测试集方差一致(Var(D_tr)＝Var(D_te))。

步骤4.3：训练SVM分类器，设置错误项惩罚系数C＝1.0，核函数为径向核函数，停止训练的误差精度tol＝0.001，得到训练好的SVM模型M_SVM。

步骤5：推断目标计算机运行的应用程序，具体步骤如下：

步骤5.1：采集位于与目标计算机同一相供电内电源插座上的火线对地电压，采样频率为f_s(同步骤1.2)，得到信号序列

步骤5.2：依次按照步骤2.1、步骤2.2、步骤2.3对信号序列

进行预处理，得到信号序列S^*

步骤5.3：检测信号序列S^*中的应用程序开启事件，若t₀时刻的信号

且对任意的t₀-5<t<t₀，都有x_t<0.3，则认为t₀时刻为应用程序开启时刻，所有的应用开始时刻的集合记为T_start＝{t₁,t₂,…,t_Q}，其中Q为检测到的应用开启事件次数。

步骤5.4：根据应用开始时间切分信号序列S^*，每段数据起始点为t∈T_start，持续时间t_l＝4s，切分好的数据构成信号序列集合

步骤5.5：提取信号序列集合

中各信号序列的特征，具体步骤同步骤3，得到特征集合

步骤5.6：将特征集合

输入到训练好的SVM模型M_SVM，得到分类结果

认为目标计算机在时间点t_i运行了应用程序APP＝l_i，从而实现对目标计算机运行应用程序的推断。

本发明的主要原理是利用计算机电源的功率因数矫正模块产生的开关频率附近的噪声与电源负载的耦合关系，从而通过采集同一相供电下的另一个插座的电压得到CPU负载的变化情况，从而根据CPU负载的变化和本地同型号计算机的训练结果推断正在运行的应用程序。

本发明的有益效果在于：

与现有推断方法不同，本发明方法对应用程序的推断不需要植入监测程序，也不需要直接采集目标计算机的输入电流，只需要采集与目标计算机处于同一相供电的任意一个电源插座的电压信号即可推断目标计算机正在运行的应用程序。

因此，本发明的创新点在于：本发明方法利用电源功率因数矫正噪声与电源负载的耦合关系，通过采集同一相供电内任一插座的电压来推断用户计算机运行应用程序，使得推断距离扩展为同一相供电下的所有插座，提升了推断的可行性。且本发明方法的应用场景并不限于恶意攻击，还可以用于公司推断员工是否在运行非法的应用程序。

附图说明

图1是本发明训练过程流程图；

图2是本发明应用程序推断过程的流程图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

本发明的方法分为训练和推断两个环节，训练阶段的流程图如图1左侧所示，包括数据采集、信号预处理、特征提取、训练分类器等步骤；推断阶段的流程图如图1右侧，包括数据采集、信号预处理、应用开启检测、特征提取、分类器分类等步骤。

一种基于电源功率因数矫正噪声的应用程序推断方法，具体包括如下步骤：

步骤1：采集不同应用程序的PFC噪声，用于训练分类器，具体步骤如下：

步骤1.1：在与目标计算机同型号的计算机上交替打开和关闭应用程序APP_i，i∈{1,2,…,M}，M为待采集的不同应用数量，其中每个应用开启至关闭时间t_on≥5s，对于相邻两个应用程序，后一个应用的开启与前一个应用的关闭之间的时间间隔t_int≥10s，每个应用的打开次数K≥50。

步骤1.2：在电源插座上采集火线的对地电压，采样频率f_s>2f_PFC，其中f_PFC为PFC噪声的频率，得到信号序列S₁：

步骤2：信号预处理，具体步骤如下：

步骤2.1：将采集到的信号序列S₁通过中心频率为f_PFC的带通滤波器，带宽B≥B_m，其中B_m为PFC噪声主瓣宽度，得到信号序列S₂₁。

步骤2.2：对滤波后的信号序列S₂₁取绝对值，并进行窗长w_l＝1000的滑动平均，得到信号序列S₂₂。

步骤2.3：将信号序列S₂₂进行最大-最小值归一化，得到信号序列S₂₃。

步骤2.4：对得到的信号序列S₂₃进行切分，将每个应用打开时的信号序列切分为一个样本，得到信号序列集合

其中，每个样本以应用打开时刻为起始点，样本长度t_l＝4s。

步骤3：特征提取。对所有的信号序列

提取特征，设s＝{x₁,x₂,…,x_n}，具体步骤如下：

步骤3.1：提取信号序列s的样本峰度

其中μ为信号序列s的均值，σ为信号序列s的标准差。

步骤3.2：提取信号序列s的样本偏度

其中μ为信号序列s的均值，σ为信号序列s的标准差。

步骤3.3：提取信号序列s的上0.9分位数P_up0.9＝{x₀|P(x<x₀)＝0.9}。

步骤3.4：提取信号序列s的绝对差和

步骤3.5：提取信号序列s傅里叶变换

的偏度

其中μ′为信号序列s′的均值，σ′为信号序列s′的标准差。

步骤3.6：提取信号序列s的线性回归斜率

步骤3.7：提取信号序列s的能量分布比率P_energyRatio＝{p_e1,p_e2,…,p_e10}，其中

[m]表示小于等于m的整数。

步骤3.8：对上述特征进行最大-最小值归一化，并将上述特征记为特征向量P＝{P_kurtosis,P_skewness,P_up09,P_meanChange,P_skewFFT,P_linearSlope,P_energyRatio}。信号序列集合

中各序列的特征记为

步骤4：将提取好特征的信号序列分为训练样本和测试样本，训练SVM分类器，具体步骤如下：

步骤4.1：将所有信号序列根据其对应的应用程序标记类别，类别范围为{1,2,…,M}。

步骤4.2：将标记好类别的信号序列按照5：1的比例随机分为训练集(记为D_tr)和测试集(记为D_te，保证训练集和测试集中数据分布一致，即两个数据集中所有特征一致，训练集和测试集平均数一致(Mean(D_tr)＝Mean(D_te))，训练集和测试集中位数一致(M(D_tr)＝M(D_te))，训练集和测试集方差一致(Var(D_tr)＝Var(D_te))。

步骤4.3：训练SVM分类器，设置错误项惩罚系数C＝1.0，核函数为径向核函数，停止训练的误差精度tol＝0.001，得到训练好的SVM模型M_SVM。

步骤5：推断目标计算机运行的应用程序，具体步骤如下：

步骤5.1：采集位于与目标计算机同一相供电内电源插座上的火线对地电压，采样频率为f_s(同步骤1.2)，得到信号序列

步骤5.2：依次按照步骤2.1、步骤2.2、步骤2.3对信号序列

进行预处理，得到信号序列S^*

步骤5.3：检测信号序列S^*中的应用开启事件，若t₀时刻的信号

且对任意的t₀-5<t<₀，都有x_t＜0.3，则认为t₀时刻为应用开启时刻，所有的应用开始时刻的集合记为T_start＝{t₁,t₂,…,t_Q}，其中Q为检测到的应用开启事件次数。

步骤5.4：根据应用开始时间切分信号序列S^*，每段数据起始点为t∈T_start，持续时间t_l＝4s，切分好的数据构成信号序列集合

步骤5.5：提取信号序列集合

中各信号序列的特征，具体步骤同步骤3，得到特征集合

步骤5.6：将特征集合

输入到训练好的SVM模型M_SVM，得到分类结果

认为目标计算机在时间点t_i运行了应用程序APP＝l_i，从而实现对目标计算机运行应用程序的推断。

Claims (6)

1.一种基于电源功率因数矫正噪声的应用程序推断方法，其特征在于，包括如下步骤：

步骤1.采集不同应用程序的PFC噪声，用于训练分类器；

步骤2.对步骤1采集的信号进行预处理；

步骤3.对预处理后的信号进行特征提取；

步骤4.将提取好特征的信号序列分为训练样本和测试样本，训练SVM分类器；

步骤5.采用训练好的SVM分类器推断目标计算机运行的应用程序。

2.根据权利要求1所述的一种基于电源功率因数矫正噪声的应用程序推断方法，其特征在于，所述的步骤1具体包括以下步骤：

步骤1.1：在与目标计算机同型号的计算机上交替打开和关闭应用程序APP_i，i∈{1，2，...，M}，M为待采集的不同应用数量，其中每个应用开启至关闭时间t_on≥5s，对于相邻两个应用程序，后一个应用的开启与前一个应用的关闭之间的时间间隔t_int≥10s，每个应用的打开次数K≥50；

步骤1.2：在电源插座上采集火线的对地电压，采样频率f_s＞2f_PFC，其中f_PFC为PFC噪声的频率，得到信号序列S₁。

3.根据权利要求2所述的一种基于电源功率因数矫正噪声的应用程序推断方法，其特征在于，所述的步骤2具体包括以下步骤：

步骤2.1：将采集到的信号序列S₁通过中心频率为f_PFC的带通滤波器，带宽B≥B_m，其中B_m为PFC噪声主瓣宽度，得到信号序列S₂₁；

步骤2.2：对滤波后的信号序列S₂₁取绝对值，并进行窗长w_l＝1000的滑动平均，得到信号序列S₂₂；

步骤2.3：将信号序列S₂₂进行最大-最小值归一化，得到信号序列S₂₃；

步骤2.4：对得到的信号序列S₂₃进行切分，将每个应用打开时的信号序列切分为一个样本，得到信号序列集合

其中，每个样本以应用打开时刻为起始点，样本长度t_l＝4s。

4.根据权利要求3所述的一种基于电源功率因数矫正噪声的应用程序推断方法，其特征在于，所述的步骤3中，对所有的信号序列

提取特征，设s＝{x₁，x₂，...，x_n}，具体步骤如下：

步骤3.1：提取信号序列s的样本峰度

其中μ为信号序列s的均值，σ为信号序列s的标准差；

步骤3.2：提取信号序列s的样本偏度

其中μ为信号序列s的均值，σ为信号序列s的标准差；

步骤3.3：提取信号序列s的上0.9分位数P_up0.9＝{x₀|P(x＜x₀)＝0.9}；

步骤3.4：提取信号序列s的绝对差和

步骤3.5：提取信号序列s傅里叶变换

的偏度

其中μ′为信号序列s′的均值，σ′为信号序列s′的标准差；

步骤3.6：提取信号序列s的线性回归斜率

步骤3.7：提取信号序列s的能量分布比率P_energyRatio＝{p_e1，p_e2，...，p_e10}，其中

[m]表示小于等于m的整数；

步骤3.8：对上述特征进行最大-最小值归一化，并将上述特征记为特征向量P＝{P_kurtosis，P_skewness，P_up09，P_meanChange，P_skewFFT，P_linearSlope，P_energyRatio}，信号序列集合

中各序列的特征记为

5.根据权利要求4所述的一种基于电源功率因数矫正噪声的应用程序推断方法，其特征在于，所述的步骤4具体步骤如下：

步骤4.1：将所有信号序列根据其对应的应用程序标记类别，类别范围为{1，2，...，M}；

步骤4.2：将标记好类别的信号序列按照5∶1的比例随机分为训练集D_tr和测试集D_te，保证训练集和测试集中数据分布一致，即两个数据集中的平均数、中位数、方差一致；

步骤4.3：训练SVM分类器，设置错误项惩罚系数C＝1.0，核函数为径向核函数，停止训练的误差精度tol＝0.001，得到训练好的SVM模型M_SVM。

6.根据权利要求5所述的一种基于电源功率因数矫正噪声的应用程序推断方法，其特征在于，所述的步骤5具体步骤如下：

步骤5.1：采集位于与目标计算机同一相供电内电源插座上的火线对地电压，采样频率为f_s，得到信号序列

步骤5.2：依次按照步骤2.1-2.3对信号序列

进行预处理，得到信号序列S^*；

步骤5.3：检测信号序列S^*中的应用程序开启事件，若t₀时刻的信号

且对任意的t₀-5＜t＜t₀，都有x_t＜0.3，则认为t₀时刻为应用开启时刻，所有的应用开始时刻的集合记为T_start＝{t₁，t₂，...，t_Q}，其中Q为检测到的应用开启事件次数；

步骤5.4：根据应用开始时间切分信号序列S^*，每段数据起始点为t∈T_start，持续时间t_l＝4s，切分好的数据构成信号序列集合

步骤5.5：提取信号序列集合

和各信号序列的特征，具体步骤同步骤3，得到特征集合

步骤5.6：将特征集合

输入到训练好的SVM模型M_SVM，得到分类结果

可知目标计算机在时间点t_i运行了应用程序APP＝l_i，从而实现对目标计算机运行应用程序的推断。

Images