CN113378881B - 基于信息熵增益svm模型的指令集识别方法及装置 - Google Patents

基于信息熵增益svm模型的指令集识别方法及装置 Download PDF

Info

Publication number
CN113378881B
CN113378881B CN202110511038.5A CN202110511038A CN113378881B CN 113378881 B CN113378881 B CN 113378881B CN 202110511038 A CN202110511038 A CN 202110511038A CN 113378881 B CN113378881 B CN 113378881B
Authority
CN
China
Prior art keywords
information entropy
svm model
instruction
file
data set
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
Application number
CN202110511038.5A
Other languages
English (en)
Other versions
CN113378881A (zh
Inventor
宾冬梅
杨春燕
余通
凌颖
黎新
韩松明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202110511038.5A priority Critical patent/CN113378881B/zh
Publication of CN113378881A publication Critical patent/CN113378881A/zh
Application granted granted Critical
Publication of CN113378881B publication Critical patent/CN113378881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Abstract

本发明提供一种基于信息熵增益SVM模型的指令集识别方法及装置，其中方法包括：采集完整的二进制文件并对其进行分类；对采集的二进制文件进行指令划分；计算不同指令的信息熵增益，根据信息熵增益对所有指令集进行降序排序，选取前N个信息熵增益最高的特征，得到数据集D；将数据集D输入到线性核函数的SVM模型中进行训练，得到经训练的SVM模型；使用经训练的SVM模型对ELF文件进行识别。本发明大量的ELF文件进行分类，训练SVM模型。并通过已经训练好的指令集识别模型来判断未知文件的指令集类别。即使ELF文件的头部信息缺失，也不会影响对二进制文件进行识别。

Description

基于信息熵增益SVM模型的指令集识别方法及装置
技术领域
本发明涉及指令集识别和分类方法，特别涉及一种基于信息熵增益SVM模型的指令集识别方法及装置。
背景技术
随着工业化和信息化的进一步融合，开放和标准化的互联网技术越来越多地应用于工业控制网络，因此电力工业控制网络结构体系变得日趋复杂。传统IT信息领域在操作系统、网络通信协议等方面存在着较多的缺陷和安全隐患，而将工业控制系统连接至互联网或其他公共网络，这极大可能导致工业控制系统的安全问题暴露出来，加大了工业控制系统面临的风险。在实际工业使用环境中，经常会出现嵌入式设备固件中ELF头部信息缺失，这将导致无法准确判断二进制的指令集，从而不能够对二进制的指令进行明确的解析与识别，这一点是二进制逆向工程中的一个难题。
ELF文件是一种用于二进制文件、可执行文件、目标代码、共享库和核心转储格式文件。由4部分组成，分别是ELF头(ELFheader)、程序头表(Program headertable)、节(Section)和节头表(Sectionheadertable)。
发明内容
本发明的目的是提供一种基于信息熵增益SVM模型的指令集识别方法及装置，可以解决现有技术中由于ELF头部信息缺失而导致的不能对二进制的指令进行明确解析与识别的问题。
本发明的目的是通过以下技术方案实现的：
第一方面，本发明提供一种基于信息熵增益SVM模型的指令集识别方法，包括以下步骤：
采集完整的二进制文件并对其进行分类；
对采集的二进制文件进行指令划分；
计算不同指令的信息熵增益，根据信息熵增益对所有指令集进行降序排序，选取前N个信息熵增益最高的特征，得到数据集D；
将数据集D输入到线性核函数的SVM模型中进行训练，得到经训练的SVM模型；
使用经训练的SVM模型对ELF文件进行识别；
所述计算不同指令的信息熵增益包括：
计算不同类别数据集的信息熵：
Figure GDA0003542359100000021
Figure GDA0003542359100000022
其中Ent(Ti)的值越小，表示Ti的纯度越高；pk表示在数据集D中分类为k的样本所占的比重，k表示数据集的类别的总数，Ti表示第i个分类的特征集合，fik表示第i个分类中第k个指令所占的比重；
计算信息熵增益：
Figure GDA0003542359100000023
I表示指令集中的某个指令。
进一步的，所述分类包括可重定位文件、可执行文件和共享目标文件。
进一步的，所述对采集的二进制文件进行指令划分包括：提取二进制文件的.text代码段信息作为原始特征，并将代码段信息按照4个字节一组作为一条指令划分，并统计在不同类别的二进制文件中不同指令所占的比重。
进一步的，所述计算不同指令的信息熵增益包括：
计算不同类别数据集的信息熵；
计算信息熵增益。
进一步的，所述将数据集D输入到线性核函数的SVM模型中进行训练，得到经训练的SVM模型包括：
将数据集D中类别为可执行文件和共享目标文件的数据进行合并，生成新的数据集D1，将数据集D1进行训练得到区分可重定位文件与其他文件的SVM模型；
将数据集D中类别为可重定位文件的数据集进行删除，生成新的数据集D2，将数据集D2进行训练得到区分可执行文件与共享目标文件的SVM模型。
进一步的，所述使用经训练的SVM模型对ELF文件进行识别包括：
将待识别的二进制文件输入SVM模型中；
提取待识别的二进制文件中.text段的数据，并且按照每4个字节一组作为一条指令进行划分，并统计出不同指令所占的比重；
计算信息熵增益，将所有指令的信息熵增益进行降序排序，得到比重最高的前N条特征；
获取判别的结果。
第二方面，本发明提供一种基于信息熵增益SVM模型的指令集识别装置，包括：
获取单元，获取待识别的二进制文件；
划分单元，对获取的二进制文件进行指令划分；
计算单元，计算不同指令的信息熵增益，根据信息熵增益对所有指令集进行降序排序，选取前N个信息熵增益最高的特征；所述计算不同指令的信息熵增益包括：
计算不同类别数据集的信息熵：
Figure GDA0003542359100000031
Figure GDA0003542359100000032
其中Ent(Ti)的值越小，表示Ti的纯度越高；pk表示在数据集D中分类为k的样本所占的比重，k表示数据集的类别的总数，Ti表示第i个分类的特征集合，fik表示第i个分类中第k个指令所占的比重；
计算信息熵增益：
Figure GDA0003542359100000041
I表示指令集中的某个指令；
存储单元，存储有两个SVM模型；
对比单元，将计算单元获取的特征与存储单元的两个SVM模型进行对比，划分待识别的二进制文件类别；
输出单元，输出最终的对比结果。
进一步的，所述的两个SVM模型为：区分可重定位文件与其他文件的SVM模型和区分可执行文件与共享目标文件的SVM模型。
本发明的基于信息熵增益SVM模型的指令集识别方法及装置，将大量的ELF文件进行分类，训练SVM模型。并通过已经训练好的指令集识别模型来判断未知文件的指令集类别。即使ELF文件的头部信息缺失，也不会影响对二进制文件进行识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于信息熵增益SVM模型的指令集识别方法的过程示意图；
图2为本发明的SVM模型的形成过程示意图；
图3为本发明的基于信息熵增益SVM模型的指令集识别装置的框图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本发明的基于信息熵增益SVM模型的指令集识别方法，包括以下步骤：
步骤S1、采集完整的二进制文件并对其进行分类。
在实际工业环境中收集大量完整的二进制文件并进行分类。通过实际的工作环境将获取的完整的二进制文件保存到硬盘上，以方便下一步分析。将收集到的文件按照ELF文件的格式进行数据段的划分，并提取ELFheader的信息和.text数据段的信息，通过读取ELFheader中的e_type字段获取到此二进制文件的分类信息，其中取值为1表示可重定位文件，2表示可执行文件，3表示共享目标文件。
步骤S2、对采集的二进制文件进行指令划分。
进一步的，对采集的二进制文件进行指令划分包括：提取二进制文件的.text代码段信息作为原始特征，并将代码段信息按照4个字节一组作为一条指令划分。并统计在不同类别的二进制文件中不同指令所占的比重。
具体地，统计在不同类别的二进制文件中不同指令所占的比重的公式为：
D＝{pi|1≤i≤k}
Ti＝{fi1,fi2,…fik,…,fin},1≤i≤k
上式中，pi表示在数据集D中分类为i的样本所占的比重，k表示数据集的类别的总数，Ti表示第i个分类的特征集合，fik表示第i个分类中第k个指令所占的比重，n表示第i类中指令集所有指令的总数。
步骤3：计算不同指令的信息熵增益，根据信息熵增益对所有指令集进行降序排序，选取前N个信息熵增益最高的特征，得到数据集D。
这一步是为了使用信息熵增益的标准去选择良好的指令集相关特征。通过计算信息增益计算不同指令对应特征的权重，即每个可能指令在特定指令集中出现所带来的信息量。通过计算信息增益获取所有汇编指令对应权重，然后按照权重逆序排序，获得前N条权重最高的特征元组。
进一步的，计算不同指令的信息熵增益包括：
步骤S301、计算不同类别数据集的信息熵：
Figure GDA0003542359100000061
Figure GDA0003542359100000062
其中Ent(Ti)的值越小，表示Ti的纯度越高。
在这里设置指令集中某个指令I，针对指令I对数据集进行信息增益的计算。
步骤S302、计算信息熵增益：
Figure GDA0003542359100000063
步骤S4、将数据集D输入到线性核函数的SVM模型中进行训练，得到经训练的SVM模型。
将获得的前N条特征元组输入到SVM模型中，通过核函数映射到一个高维线性可分的空间中，最后获取到训练好的SVM模型。
训练的数据集为：
D＝{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)},1≤yi≤3
其中D集合为训练集集合，xi为N维特征向量，yi为第i个数据集的分类结果。
本发明采用2个SVM模型，将ELF文件识别后分为三类。所以这里需要再把数据集进行处理。步骤S4具体包括：
步骤S401、将数据集D中类别为可执行文件和共享目标文件的数据进行合并，生成新的数据集D1，将数据集D1进行训练得到区分可重定位文件与其他文件的SVM模型。其中
D1＝{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)},1≤yi≤2
步骤S402、将数据集D中类别为可重定位文件的数据集进行删除，生成新的数据集D2，将数据集D2进行训练得到区分可执行文件与共享目标文件的SVM模型。其中
D2＝{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)},1≤yi≤2
最终得到两个SVM模型。
步骤S5、使用经训练的SVM模型对ELF文件进行识别。
将未知文件进行特征提取，并且输入到SVM模型中，得到此未知文件的分类结果。具体包括：
步骤S501、将待识别的二进制文件输入SVM模型中。
在实际工业使用环境中，经常会出现嵌入式设备固件中ELF头部信息缺失，我们把这样的未知类型的二进制文件进行收集并输入到经训练的SVM模型中。
步骤S502、提取待识别的二进制文件中.text段的数据，并且按照每4个字节一组作为一条指令进行划分，并统计出不同指令所占的比重。
步骤S503、计算信息熵增益，将所有指令的信息熵增益进行降序排序，得到比重最高的前N条特征。
在这里，设提取的指令集集合为S＝{s1,s2,…,si,…,sn}，其中si表示第i种不同的指令在集合中所占的比重。针对指令I，计算它的信息熵增益：
Ent(I)＝Ent(S-I)-Ent(S)
步骤S504、获取判别的结果。
将上一步得到的N条特征的比重输入到SVM模型中，并获得得到的结果。
本申请还提供一种基于信息熵增益SVM模型的指令集识别装置，包括：
获取单元，获取待识别的二进制文件；
划分单元，对获取的二进制文件进行指令划分；
计算单元，计算不同指令的信息熵增益，根据信息熵增益对所有指令集进行降序排序，选取前N个信息熵增益最高的特征；
存储单元，存储有两个SVM模型；
对比单元，将计算单元获取的特征与存储单元的两个SVM模型进行对比，划分待识别的二进制文件类别；
输出单元，输出最终的对比结果。
进一步的，所述的两个SVM模型为：区分可重定位文件与其他文件的SVM模型和区分可执行文件与共享目标文件的SVM模型。
在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于信息熵增益SVM模型的指令集识别方法，其特征在于，包括以下步骤：
采集完整的二进制文件并对其进行分类；
对采集的二进制文件进行指令划分；
计算不同指令的信息熵增益，根据信息熵增益对所有指令集进行降序排序，选取前N个信息熵增益最高的特征，得到数据集D；
将数据集D输入到线性核函数的SVM模型中进行训练，得到经训练的SVM模型；
使用经训练的SVM模型对ELF文件进行识别；
所述计算不同指令的信息熵增益包括：
计算不同类别数据集的信息熵：
Figure FDA0003542359090000011
Figure FDA0003542359090000012
其中Ent(Ti)的值越小，表示Ti的纯度越高；pk表示在数据集D中分类为k的样本所占的比重，k表示数据集的类别的总数，Ti表示第i个分类的特征集合，fik表示第i个分类中第k个指令所占的比重；
计算信息熵增益：
Figure FDA0003542359090000013
I表示指令集中的某个指令。
2.根据权利要求1所述的基于信息熵增益SVM模型的指令集识别方法，其特征在于，所述分类包括可重定位文件、可执行文件和共享目标文件。
3.根据权利要求1所述的基于信息熵增益SVM模型的指令集识别方法，其特征在于，所述对采集的二进制文件进行指令划分包括：提取二进制文件的.text代码段信息作为原始特征，并将代码段信息按照4个字节一组作为一条指令划分，并统计在不同类别的二进制文件中不同指令所占的比重。
4.根据权利要求1所述的基于信息熵增益SVM模型的指令集识别方法，其特征在于，所述将数据集D输入到线性核函数的SVM模型中进行训练，得到经训练的SVM模型包括：
将数据集D中类别为可执行文件和共享目标文件的数据进行合并，生成新的数据集D1，将数据集D1进行训练得到区分可重定位文件与其他文件的SVM模型；
将数据集D中类别为可重定位文件的数据集进行删除，生成新的数据集D2，将数据集D2进行训练得到区分可执行文件与共享目标文件的SVM模型。
5.根据权利要求1所述的基于信息熵增益SVM模型的指令集识别方法，其特征在于，所述使用经训练的SVM模型对ELF文件进行识别包括：
将待识别的二进制文件输入SVM模型中；
提取待识别的二进制文件中.text段的数据，并且按照每4个字节一组作为一条指令进行划分，并统计出不同指令所占的比重；
计算信息熵增益，将所有指令的信息熵增益进行降序排序，得到比重最高的前N条特征；
获取判别的结果。
6.基于信息熵增益SVM模型的指令集识别装置，其特征在于，包括：
获取单元，获取待识别的二进制文件；
划分单元，对获取的二进制文件进行指令划分；
计算单元，计算不同指令的信息熵增益，根据信息熵增益对所有指令集进行降序排序，选取前N个信息熵增益最高的特征；所述计算不同指令的信息熵增益包括：
计算不同类别数据集的信息熵：
Figure FDA0003542359090000031
Figure FDA0003542359090000032
其中Ent(Ti)的值越小，表示Ti的纯度越高；pk表示在数据集D中分类为k的样本所占的比重，k表示数据集的类别的总数，Ti表示第i个分类的特征集合，fik表示第i个分类中第k个指令所占的比重；
计算信息熵增益：
Figure FDA0003542359090000033
I表示指令集中的某个指令；
存储单元，存储有两个SVM模型；
对比单元，将计算单元获取的特征与存储单元的两个SVM模型进行对比，划分待识别的二进制文件类别；
输出单元，输出最终的对比结果。
7.根据权利要求6所述的基于信息熵增益SVM模型的指令集识别装置，其特征在于，所述的两个SVM模型为：区分可重定位文件与其他文件的SVM模型和区分可执行文件与共享目标文件的SVM模型。
CN202110511038.5A 2021-05-11 2021-05-11 基于信息熵增益svm模型的指令集识别方法及装置 Active CN113378881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110511038.5A CN113378881B (zh) 2021-05-11 2021-05-11 基于信息熵增益svm模型的指令集识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110511038.5A CN113378881B (zh) 2021-05-11 2021-05-11 基于信息熵增益svm模型的指令集识别方法及装置

Publications (2)

Publication Number Publication Date
CN113378881A CN113378881A (zh) 2021-09-10
CN113378881B true CN113378881B (zh) 2022-06-21

Family

ID=77572630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110511038.5A Active CN113378881B (zh) 2021-05-11 2021-05-11 基于信息熵增益svm模型的指令集识别方法及装置

Country Status (1)

Country Link
CN (1) CN113378881B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281521A (zh) * 2007-04-05 2008-10-08 中国科学院自动化研究所 一种基于多分类器融合的敏感网页过滤方法及系统
CN103679142A (zh) * 2013-12-02 2014-03-26 宁波大学 一种基于空间约束的目标人体识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107809348B (zh) * 2017-09-19 2021-04-20 广西电网有限责任公司电力科学研究院 面向电网大数据分布式系统的终端状态监控方法
CN110689133B (zh) * 2018-06-20 2023-09-05 深信服科技股份有限公司 一种训练机器学习引擎的方法、系统及相关装置
CN109299609A (zh) * 2018-08-08 2019-02-01 北京奇虎科技有限公司 一种elf文件检测方法及装置
CN109766335A (zh) * 2019-01-16 2019-05-17 天津大学 基于分类回归决策树算法的盾构施工地质识别方法及系统
EP3973427A4 (en) * 2019-05-20 2023-06-21 Sentinel Labs Israel Ltd. SYSTEMS AND METHODS FOR EXECUTABLE CODE DETECTION, AUTOMATIC FEATURE EXTRACTION, AND POSITION-INDEPENDENT CODE DETECTION
CN111460472B (zh) * 2020-03-20 2023-05-16 西北大学 一种基于深度学习图网络的加密算法识别方法
CN111464717B (zh) * 2020-03-31 2022-03-08 章劲松 利用直方图平移的具有对比度拉升的可逆信息隐藏方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281521A (zh) * 2007-04-05 2008-10-08 中国科学院自动化研究所 一种基于多分类器融合的敏感网页过滤方法及系统
CN103679142A (zh) * 2013-12-02 2014-03-26 宁波大学 一种基于空间约束的目标人体识别方法

Also Published As

Publication number Publication date
CN113378881A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN109872162B (zh) 一种处理用户投诉信息的风控分类识别方法及系统
CN110163647B (zh) 一种数据处理方法及装置
CN112528025A (zh) 基于密度的文本聚类方法、装置、设备及存储介质
CN106845358B (zh) 一种手写体字符图像特征识别的方法及系统
CN111798312A (zh) 一种基于孤立森林算法的金融交易系统异常识别方法
CN111914159B (zh) 一种信息推荐方法及终端
CN111984792A (zh) 网站分类方法、装置、计算机设备及存储介质
CN116701725B (zh) 基于深度学习的工程师人员数据画像处理方法
CN112529638B (zh) 基于用户分类和深度学习的服务需求动态预测方法及系统
CN112035620A (zh) 医疗查询系统的问答管理方法、装置、设备及存储介质
CN113315851A (zh) 域名检测方法、装置及存储介质
CN112308148A (zh) 缺陷类别识别、孪生神经网络训练方法、装置及存储介质
CN107480126B (zh) 一种工程材料类别智能识别方法
CN114139624A (zh) 一种基于集成模型挖掘时间序列数据相似性信息的方法
CN112632000A (zh) 日志文件聚类方法、装置、电子设备和可读存储介质
CN113378881B (zh) 基于信息熵增益svm模型的指令集识别方法及装置
CN110414229B (zh) 操作命令检测方法、装置、计算机设备及存储介质
CN113420733B (zh) 一种高效分布式大数据数据采集实现方法及系统
CN115392375A (zh) 一种多源数据融合度智能评估方法及其系统
CN112463964B (zh) 文本分类及模型训练方法、装置、设备及存储介质
CN113761126A (zh) 文本内容的识别方法、装置、设备及可读存储介质
CN112258235A (zh) 一种电力营销稽核新业务发现方法及系统
CN117235137B (zh) 一种基于向量数据库的职业信息查询方法及装置
CN112990145B (zh) 一种基于组稀疏年龄估计方法及电子设备
CN115237739B (zh) 板卡运行环境的分析方法、装置、设备及可读存储介质

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