CN113221863B - 基于电磁空间周期统计的加密协议识别方法、系统及介质 - Google Patents
基于电磁空间周期统计的加密协议识别方法、系统及介质 Download PDFInfo
- Publication number
- CN113221863B CN113221863B CN202110782469.5A CN202110782469A CN113221863B CN 113221863 B CN113221863 B CN 113221863B CN 202110782469 A CN202110782469 A CN 202110782469A CN 113221863 B CN113221863 B CN 113221863B
- Authority
- CN
- China
- Prior art keywords
- signal
- electromagnetic
- protocol
- encryption protocol
- dimensional
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; 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)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Storage Device Security (AREA)
Abstract
本发明涉及一种于电磁空间周期统计的加密协议识别方法、系统及计算机可读存储介质。该方法包括:对电磁频谱信号的波形进行周期统计以获取所述电磁频谱信号的一维时序信号;将所述一维时序信号转换成二维图片;获取所述二维图片的频谱信息,并基于所述二维图片的频谱信息分别获取背景信号和加密协议信号;对所述加密协议信号进行分类识别和验证。本发明通过将接收到的电磁频谱信号进行图像化处理,从而无需采用专用的硬件设备,即可通用地、快速精确识别电磁空间中的加密协议。
Description
技术领域
本发明涉及电磁通信领域,更具体地说,涉及一种基于电磁空间周期统计的加密协议识别方法、系统及计算机可读存储介质。
背景技术
电磁信号的解析是和安全是现代信息安全的重要组成部分。电磁信息虽然很容易捕获,但是对于电磁空间的加密协议识别却没有相关的方案,其主要原因是因为识别难度大,算力要求高。随着无线电终端和物联网设备的爆炸性增长,无线电频谱正在变得越来越拥挤,识别、定位和阻断干扰信号变得异常困难。
目前电磁信号需要通过专用硬件来识别和分析,必须有对应的硬件才能解出对应的加密协议内容,因此不具有通用型。对于一些特别重要的私有协议则完全无法解析。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种通用地、可以快速精确识别电磁空间中的加密协议的基于电磁空间周期统计的加密协议识别方法、系统及计算机可读存储介质。
本发明解决其技术问题所采用的技术方案是:构造一种基于电磁空间周期统计的加密协议识别方法,包括以下步骤:
S1、对电磁频谱信号的波形进行周期统计以获取所述电磁频谱信号的一维时序信号;
S2、将所述一维时序信号转换成二维图片;
S3、获取所述二维图片的频谱信息,并基于所述二维图片的频谱信息分别获取背景信号和加密协议信号;
S4、对所述加密协议信号进行分类识别和验证。
在本发明所述的基于电磁空间周期统计的加密协议识别方法中,步骤S1进一步包括以下步骤:
S11、采集所述电磁频谱信号,并对所述电磁频谱信号进行滤波处理;
S12、对滤波处理后的电磁频谱信号进行波形分析以对其进行周期统计并展示周期分布状态;
S13、基于所述周期分布状态获取所述电磁频谱信号的所述一维时序信号。
在本发明所述的基于电磁空间周期统计的加密协议识别方法中,所述电磁频谱信号包括雷达信号。
在本发明所述的基于电磁空间周期统计的加密协议识别方法中,在步骤S2中,采用Python的PIL库、CV库或pyts库将所述一维时序信号转换成所述二维图片。
在本发明所述的基于电磁空间周期统计的加密协议识别方法中,步骤S3进一步包括:
S31、获取所述二维图片的频谱信息;
S32、采用智能图像识别技术基于所述频谱信息进行识别,从而获取所述二维图片中的背景信号分量和加密协议信号分量。
在本发明所述的基于电磁空间周期统计的加密协议识别方法中,步骤S32进一步包括:
S321、采用BP神经网络学习多个分别包括所述背景信号分量和所述加密协议信号分量的所述二维图片来确定所述BP神经网络的权值取值;
S322、采用所述BP神经网络基于所述频谱信息进行所述背景信号分量和所述加密协议信号分量的识别以获取所述背景信号和所述加密协议信号。
在本发明所述的基于电磁空间周期统计的加密协议识别方法中,步骤S4进一步包括:
S41、基于加密协议样本对所述加密协议信号进行协议指纹提取;
S42、建立加密协议验证规则;
S43、基于提取的协议指纹和所述加密协议验证规则对所述加密协议信号进行分类验证。
本发明解决其技术问题采用的另一技术方案是,构造一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据所述的基于电磁空间周期统计的加密协议识别方法。
本发明解决其技术问题采用的另一技术方案是,构造一种基于电磁空间周期统计的加密协议识别系统,包括:
频谱信号处理装置,用于对电磁频谱信号的波形进行周期统计以获取所述电磁频谱信号的一维时序信号;
图片转换装置,用于将所述一维时序信号转换成二维图片;
分析处理装置,用于获取所述二维图片的频谱信息,并基于所述二维图片的频谱信息分别获取背景信号和加密协议信号;
分类验证装置,用于对所述加密协议信号进行分类识别和验证。
实施本发明的电磁空间周期统计的加密协议识别方法、系统及计算机可读存储介质,通过将接收到的电磁频谱信号进行图像化处理,从而无需采用专用的硬件设备,即可通用地、快速精确识别电磁空间中的加密协议。进一步地,通过采用深度学习算法,可以提高复杂电磁环境中的识别能力。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的基于电磁空间周期统计的加密协议识别方法的第一优选实施例的流程图;
图2是图1所示的基于电磁空间周期统计的加密协议识别方法的原理示意图;
图3是根据本发明的背景信号和加密协议信号的叠加示意图;
图4是根据本发明的背景信号和加密协议信号的分离示意图;
图5是本发明的基于电磁空间周期统计的加密协议识别系统的第一优选实施例的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的电磁空间周期统计的加密协议识别方法,包括:对电磁频谱信号的波形进行周期统计以获取所述电磁频谱信号的一维时序信号;将所述一维时序信号转换成二维图片;获取所述二维图片的频谱信息,并基于所述二维图片的频谱信息分别获取背景信号和加密协议信号;对所述加密协议信号进行分类识别和验证。本发明通过采集电磁频谱信号,将电磁频谱信号的波形进行分析,统计频谱信号的周期,从而将电磁信号具象化为二维图片,将电磁信号的识别问题转化为图像识别领域的目标检测问题,然后应用二维图像的频谱分布特征进行深度识别和分类,对统计的信号信息和图谱特征进行协议判别,因此从而无需采用专用的硬件设备,即可通用地、快速精确识别电磁空间中的加密协议。
图1是本发明的基于电磁空间周期统计的加密协议识别方法的第一优选实施例的流程图。图2是图1所示的基于电磁空间周期统计的加密协议识别方法的原理示意图。所述基于电磁空间周期统计的加密协议识别方法的目的在叠加的背景信号和加密协议信号中,将加密协议信号分离出来并进行识别。
如图1-图2所示,在步骤S1中,对电磁频谱信号的波形进行周期统计以获取所述电磁频谱信号的一维时序信号。在本发明的优选实施例中,首先采集所述电磁频谱信号,并对所述电磁频谱信号进行滤波处理。例如,可以通过无线采集系统采集各个频段的频谱数据信号。优选的,可以专门针对应用最广的雷达信号进行采集和滤波处理。当频谱越高的时候数据量越大,因此相应地,可以采用大数据并行采集方法进行处理。在进行滤波处理之后,可以得到信噪比较高的数据。然后对滤波处理后的电磁频谱信号进行波形分析以对其进行周期统计并展示周期分布状态。随后,基于所述周期分布状态获取所述电磁频谱信号的一维时序信号。在本发明的优选实施例中,针对电磁环境恶化,频谱资源匮乏、分配不均及其在空间、时间和频域上存在的高度相关性的问题,可以采用基于大数据分析的频谱资源管控模块来实现上述功能。该频谱资源管控模块由频谱监测与存储、数据分析处理和管控中心3个功能单元组成。
在步骤S2中,将所述一维时序信号转换成二维图片。在本发明的优选实施例中,可以采用任何已知的方法,例如采用Python的PIL库、CV库或pyts库将所述一维时序信号转换成所述二维图片。由于电磁频谱信号中包括了背景信号和加密协议信号,因此其生成的二维图片中必然包含背景信号分量和加密协议信号分量。图3是根据本发明的背景信号和加密协议信号的叠加示意图。发明的目的是将目标加密协议信号分离出来并进行识别。通过将得到的一维时序信号进行图形化处理。把电磁频谱信号具象化为一张二维图片,将电磁频谱信号识别问题转化为图像识别领域的目标检测问题。
在步骤S3中,获取所述二维图片的频谱信息,并基于所述二维图片的频谱信息分别获取背景信号和加密协议信号。在本发明的优选实施例中,首先获取所述二维图片的频谱信息。例如可以通过傅里叶变换获得所述二维图片的频谱图。由于所述二维图片中包含背景信号分量和加密协议信号分量,那么对应的,该频谱图也自然包括背景信号分量和加密协议信号分量,这两个分量的频率显示是不同的。一般背景信号分量是低频,加密协议分量是高频。
随后,采用智能图像识别技术基于所述频谱信息进行识别,从而获取所述二维图片中的背景信号分量和所述加密协议信号分量,以分别获取背景信号和加密协议信号。在本发明的优选实施例中,可以对图形化后的数据在统计的基础上通过将人工智能与传统电磁频谱信号识别技术深度融合,利用人工智能的机器学习方法,特别是深度学习算法,自动提取电磁频谱信号的模式特征,避免基于经验的人工特征提取,提高复杂电磁环境下无线电信号的识别能力。在本发明的优选实施例中,可以采用BP神经网络学习多个分别包括所述背景信号分量和所述加密协议信号分量的所述二维图片来确定所述BP神经网络的权值取值;然后采用所述BP神经网络基于所述频谱信息进行所述背景信号分量和所述加密协议信号分量的识别。基于本发明的教导以及已知的BP神经网络相关知识,本领域技术人员能够实现BP神经网络的设计和完善。当然,在本发明的其他优选实施例中,还可以采用其他的AI识别算法,从而对所述二维图片中的背景信号分量和加密协议信号分量进行识别。图4是根据本发明的背景信号和加密协议信号的分离示意图。
在所述步骤S4中,对所述加密协议信号进行分类识别和验证。优选的,可以通过协议样本进行协议指纹提取和相应协议验证规则建立,然后在进行识别阶段,通过快速指纹匹配和协议识别结果进行快速验证。这样,建立样本协议,通过周期转换、信号图形化之后,即可对后续信号进行快速验证。
在本发明的优选实施例中,首先基于加密协议样本对所述加密协议信号分量进行协议指纹提取。在本发明中,可以采用现有技术中已知的任何方法进行上述协议指纹提取。随后建立所述加密协议验证规则。在本发明中,可以采用传统的电磁频谱信号的任何已知的验证规则算法。随后,基于提取的协议指纹和所述加密协议验证规则对所述加密协议信号进行分类验证。例如,可以采用任何已知方法建立算法基准并且训练判别模型和协议。
实施本发明的电磁空间周期统计的加密协议识别方法,通过将接收到的电磁频谱信号进行图像化处理,从而无需采用专用的硬件设备,即可通用地、快速精确识别电磁空间中的加密协议。进一步地,通过采用深度学习算法,可以提高复杂电磁环境中的识别能力。
另外,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被计算机运行时执行如图1-图4所示任一实施方式所述的电磁空间周期统计的加密协议识别方法。
需要说明的是,本发明申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
图5是本发明的基于电磁空间周期统计的加密协议识别方法的第一优选实施例的原理框图。如图5所示,所述基于电磁空间周期统计的加密协议识别系统的目的在叠加的背景信号和加密协议信号中,将加密协议信号分离出来并进行识别。所述基于电磁空间周期统计的加密协议识别系统通过采集电磁频谱信号,将电磁频谱信号的波形进行分析,统计频谱信号的周期,从而将电磁信号具象化为二维图片,将电磁信号的识别问题转化为图像识别领域的目标检测问题,然后应用二维图像的频谱分布特征进行深度识别和分类,对统计的信号信息和图谱特征进行协议判别,因此从而无需采用专用的硬件设备,即可通用地、快速精确识别电磁空间中的加密协议。
如图5所示,所述基于电磁空间周期统计的加密协议识别系统包括频谱信号处理装置100、图片转换装置200、分析处理装置300和分类验证装置400。在本优选实施例中,所述频谱信号处理装置100用于对电磁频谱信号的波形进行周期统计以获取所述电磁频谱信号的一维时序信号。例如其可以包括无线采集系统,用于采集各个频段的频谱数据信号。可以专门针对应用最广的雷达信号进行采集和滤波处理。当频谱越高的时候数据量越大,因此相应地,所述频谱信号处理装置100可以采用大数据并行采集方法进行处理。在进行滤波处理之后,可以得到信噪比较高的数据。然后对滤波处理后的电磁频谱信号进行波形分析以对其进行周期统计并展示周期分布状态。随后,基于所述周期分布状态获取所述电磁频谱信号的一维时序信号。在本发明的优选实施例中,针对电磁环境恶化,频谱资源匮乏、分配不均及其在空间、时间和频域上存在的高度相关性的问题,可以采用基于大数据分析的频谱资源管控模块来实现上述功能。该频谱资源管控模块由频谱监测与存储、数据分析处理和管控中心3个功能单元组成。
所述图片转换装置200用于将所述一维时序信号转换成二维图片。所述图片转换装置200可以是任何电路,模块,软件,用于采用Python的PIL库、CV库或pyts库将所述一维时序信号转换成所述二维图片。
所述分析处理装置300,用于获取所述二维图片的频谱信息,并基于所述二维图片的频谱信息分别获取背景信号和加密协议信号。例如,所述分析处理装置300可以用于获取所述二维图片的频谱信息,采用智能图像识别技术基于所述频谱信息进行识别,从而获取所述二维图片中的背景信号分量和所述加密协议信号分量。优选的,可以采用BP神经网络学习多个分别包括所述背景信号分量和所述加密协议信号分量的所述二维图片来确定所述BP神经网络的权值取值;然后采用所述BP神经网络基于所述频谱信息进行所述背景信号分量和所述加密协议信号分量的识别。
所述分类验证装置400用于对所述加密协议信号进行分类识别和验证。例如,所述分类验证装置400可以用于基于加密协议样本对所述加密协议信号分量进行协议指纹提取;建立所述加密协议验证规则;基于提取的协议指纹和所述加密协议验证规则对所述加密协议信号进行分类验证。
本领域技术人员知悉,在本发明的优选实施例中,频谱信号处理装置100、图片转换装置200、分析处理装置300和分类验证装置400均可以参照图1-图4中所示的任何实施例构造。
实施本发明的电磁空间周期统计的加密协议识别系统,通过将接收到的电磁频谱信号进行图像化处理,从而无需采用专用的硬件设备,即可通用地、快速精确识别电磁空间中的加密协议。进一步地,通过采用深度学习算法,可以提高复杂电磁环境中的识别能力。
虽然本发明是通过具体实施例进行说明的,本领域技术人员应当明白,在不脱离本发明范围的情况下,还可以对本发明进行各种变换及等同替代。另外,针对特定情形或材料,可以对本发明做各种修改,而不脱离本发明的范围。因此,本发明不局限于所公开的具体实施例,而应当包括落入本发明权利要求范围内的全部实施方式。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于电磁空间周期统计的加密协议识别方法,其特征在于,包括以下步骤:
S1、对电磁频谱信号的波形进行周期统计以获取所述电磁频谱信号的一维时序信号;
S2、将所述一维时序信号转换成二维图片;
S3、获取所述二维图片的频谱信息,并基于所述二维图片的频谱信息分别获取背景信号和加密协议信号;
S4、对所述加密协议信号进行分类识别和验证;
所述步骤S1进一步包括以下步骤:
S11、采集所述电磁频谱信号,并对所述电磁频谱信号进行滤波处理;
S12、对滤波处理后的电磁频谱信号进行波形分析以对其进行周期统计并展示周期分布状态;
S13、基于所述周期分布状态获取所述电磁频谱信号的所述一维时序信号;
在所述步骤S2中,采用Python的PIL库、CV库或pyts库将所述一维时序信号转换成所述二维图片;
所述步骤S3进一步包括:
S31、获取所述二维图片的频谱信息;
S32、采用智能图像识别技术基于所述频谱信息进行识别,从而获取所述二维图片中的背景信号分量和加密协议信号分量;
所述步骤S32进一步包括:
S321、采用BP神经网络学习多个分别包括所述背景信号分量和所述加密协议信号分量的所述二维图片来确定所述BP神经网络的权值取值;
S322、采用所述BP神经网络基于所述频谱信息进行所述背景信号分量和所述加密协议信号分量的识别以获取所述背景信号和所述加密协议信号;
所述步骤S4进一步包括:
S41、基于加密协议样本对所述加密协议信号进行协议指纹提取;
S42、建立加密协议验证规则;
S43、基于提取的协议指纹和所述加密协议验证规则对所述加密协议信号进行分类验证。
2.根据权利要求1所述的基于电磁空间周期统计的加密协议识别方法,其特征在于,所述电磁频谱信号包括雷达信号。
3.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1或2中任意一项权利要求所述的基于电磁空间周期统计的加密协议识别方法。
4.一种基于电磁空间周期统计的加密协议识别系统,其特征在于,包括:
频谱信号处理装置,用于对电磁频谱信号的波形进行周期统计以获取所述电磁频谱信号的一维时序信号;
图片转换装置,用于将所述一维时序信号转换成二维图片;
分析处理装置,用于获取所述二维图片的频谱信息,并基于所述二维图片的频谱信息分别获取背景信号和加密协议信号;
分类验证装置,用于对所述加密协议信号进行分类识别和验证;
所述频谱信号处理装置用于采集所述电磁频谱信号,并对所述电磁频谱信号进行滤波处理;对滤波处理后的电磁频谱信号进行波形分析以对其进行周期统计并展示周期分布状态;基于所述周期分布状态获取所述电磁频谱信号的所述一维时序信号;
所述图片转换装置用于采用Python的PIL库、CV库或pyts库将所述一维时序信号转换成所述二维图片;
所述分析处理装置用于获取所述二维图片的频谱信息;采用智能图像识别技术基于所述频谱信息进行识别,从而获取所述二维图片中的背景信号分量和加密协议信号分量;
所述分析处理装置进一步用于采用BP神经网络学习多个分别包括所述背景信号分量和所述加密协议信号分量的所述二维图片来确定所述BP神经网络的权值取值;采用所述BP神经网络基于所述频谱信息进行所述背景信号分量和所述加密协议信号分量的识别以获取所述背景信号和所述加密协议信号;
所述分类验证装置进一步用于基于加密协议样本对所述加密协议信号进行协议指纹提取;建立加密协议验证规则;基于提取的协议指纹和所述加密协议验证规则对所述加密协议信号进行分类验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110782469.5A CN113221863B (zh) | 2021-07-12 | 2021-07-12 | 基于电磁空间周期统计的加密协议识别方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110782469.5A CN113221863B (zh) | 2021-07-12 | 2021-07-12 | 基于电磁空间周期统计的加密协议识别方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221863A CN113221863A (zh) | 2021-08-06 |
CN113221863B true CN113221863B (zh) | 2021-10-22 |
Family
ID=77081263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110782469.5A Active CN113221863B (zh) | 2021-07-12 | 2021-07-12 | 基于电磁空间周期统计的加密协议识别方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221863B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117155746B (zh) * | 2023-10-31 | 2024-02-23 | 中孚安全技术有限公司 | 电磁信号的合并处理方法、系统及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
CN111126134A (zh) * | 2019-11-11 | 2020-05-08 | 浙江大学 | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 |
CN112804119A (zh) * | 2021-01-05 | 2021-05-14 | 南京航空航天大学 | 一种基于卷积神经网络的mac协议识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104023247B (zh) * | 2014-05-29 | 2015-07-29 | 腾讯科技(深圳)有限公司 | 获取、推送信息的方法和装置以及信息交互系统 |
-
2021
- 2021-07-12 CN CN202110782469.5A patent/CN113221863B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274621A (zh) * | 2018-09-30 | 2019-01-25 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
CN111126134A (zh) * | 2019-11-11 | 2020-05-08 | 浙江大学 | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 |
CN112804119A (zh) * | 2021-01-05 | 2021-05-14 | 南京航空航天大学 | 一种基于卷积神经网络的mac协议识别方法 |
Non-Patent Citations (2)
Title |
---|
基于内容分析的网络协议指纹识别;夏琨等;《计算机与现代化》;20180531(第5期);第121~126页 * |
基于选择性集成ARMA组合模型的零售业销量预测;常炳国等;《计算机测量与控制》;20180531;第26卷(第5期);第132~135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113221863A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | A pursuit of temporal accuracy in general activity detection | |
CN111385297B (zh) | 无线设备指纹识别方法、系统、设备及可读存储介质 | |
CN112052186B (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN111144522B (zh) | 一种基于硬件本征差异的电网nfc设备指纹认证方法 | |
CN112235314A (zh) | 网络流量检测方法和装置及设备 | |
CN103279744A (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
CN110647951A (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN113221863B (zh) | 基于电磁空间周期统计的加密协议识别方法、系统及介质 | |
CN110490134A (zh) | 信号识别方法、设备及存储介质 | |
CN105550702B (zh) | 一种基于svm的gnss欺骗式干扰识别方法 | |
Ramasubramanian et al. | Exploiting spatio-temporal properties of I/Q signal data using 3D convolution for RF transmitter identification | |
AU2013204156A1 (en) | Classification apparatus and program | |
CN107274912B (zh) | 一种手机录音的设备来源辨识方法 | |
CN112528774A (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN114924950A (zh) | 测试方法、电子设备和计算机可读介质 | |
CN110942034A (zh) | 用于检测多类型深度网络生成图像的方法、系统、装置 | |
CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN109271859A (zh) | 串并案方法和装置、电子设备、计算机存储介质 | |
CN116152576B (zh) | 图像处理方法、装置、设备及存储介质 | |
Yang et al. | Extraction and denoising of human signature on radio frequency spectrums | |
CN110728316A (zh) | 一种课堂行为检测方法、系统、装置和存储介质 | |
KR20230026776A (ko) | 분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법, 상기 단일 샘플링 주파수로 샘플링된 분류 대상 신호를 이용하여 변조 방식을 예측하기 위한 방법 및 장치 | |
CN108881307B (zh) | 一种面向移动终端的安全性检测方法及装置 |
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 |