CN113569930A - 一种基于磁场数据侧信道分析的智能设备应用识别方法 - Google Patents
一种基于磁场数据侧信道分析的智能设备应用识别方法 Download PDFInfo
- Publication number
- CN113569930A CN113569930A CN202110800743.7A CN202110800743A CN113569930A CN 113569930 A CN113569930 A CN 113569930A CN 202110800743 A CN202110800743 A CN 202110800743A CN 113569930 A CN113569930 A CN 113569930A
- Authority
- CN
- China
- Prior art keywords
- magnetic field
- data
- field data
- application
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Magnetic Variables (AREA)
Abstract
本发明公开了一种基于磁场数据侧信道分析的智能设备应用识别方法，包括离线训练阶段和线上识别阶段，离线训练阶段依次包括采集磁场数据、数据预处理、提取数据特征和训练分类模型四个步骤；线上识别阶段依次包括采集磁场数据、数据预处理、提取数据特征和应用识别四个步骤，其中采集磁场数据和提取数据特征的步骤与离线训练阶段的采集磁场数据和提取数据特征的步骤相同，数据预处理的步骤相比于离线训练阶段的数据预处理的步骤增加了应用启动窗口的识别，应用识别的步骤是将前一步提取的数据特征输入离线训练阶段中训练好的分类模型中，得到分类结果。本发明可以在不获取系统权限的情况下，对用户正在使用的应用进行感知。
Description
技术领域
本发明属于侧信道分析技术领域，特别涉及了一种智能设备应用识别方法。
背景技术
截至2019年，全球约有57亿移动智能设备用户。移动智能设备发展至今，已经成为人们日常生活中必不可少的一部分。2019年，全球移动智能设备出货量14.86亿台，相较之下，PC出货量仅2.61亿台，且呈现逐年减少的趋势。由此可见，移动智能设备将取代传统PC设备成为构成互联网的主体。移动智能设备的便利性使得其成为人们生活和工作中不可或缺的一部分，移动智能平台上丰富的应用极大方便了生活、工作以及商业活动。使用平板电脑使得人们可以更加方便地处理文档、阅读书籍以及观看在线视频等工作和娱乐活动；智能手机上方便的电子银行、快捷支付以及线上金融推动着整个社会的金融改革，改变了人们的支付方式和生活习惯。
智能设备的普及带来了移动应用的发展，感知用户正在使用的应用成为一种需求：网络监管人员希望得知用户正在使用的应用是否合规，广告运营商需要感知用户的应用使用情况来对广告资源的投放进行决策。然而智能设备系统的权限管理较为严格，不允许非系统应用感知用户正在使用的应用。因此，对用户应用进行识别成为了研究的热点，目前应用识别的方式从工程应用角度主要是通过获取系统的权限(安卓root权限、IOS系统越狱)、获取安卓的无障碍权限和使用ADB来连接智能设备等；在学术领域，主要侧重于研究使用侧信道信息对用户正在使用的应用进行分析，其中侧信道分析根据数据源的不同分为流量分析和基于统计数据侧信道分析。由于前者需要获取到用户和互联网之间的交互流量，在实际应用中具有很大的局限性，基于统计数据侧信道分析是目前研究的热点。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种基于磁场数据侧信道分析的智能设备应用识别方法。
为了实现上述技术目的，本发明的技术方案为：
一种基于磁场数据侧信道分析的智能设备应用识别方法，包括离线训练阶段和线上识别阶段，所述离线训练阶段依次包括采集磁场数据、数据预处理、提取数据特征和训练分类模型四个步骤；所述线上识别阶段依次包括采集磁场数据、数据预处理、提取数据特征和应用识别四个步骤，其中采集磁场数据和提取数据特征的步骤与离线训练阶段的采集磁场数据和提取数据特征的步骤相同，数据预处理的步骤相比于离线训练阶段的数据预处理的步骤增加了应用启动窗口的识别，应用识别的步骤是将前一步提取的数据特征输入离线训练阶段中训练好的分类模型中，得到分类结果。
进一步地，采集磁场数据的方法如下：
采用外置的磁场传感器对智能终端周围的磁场数据进行采集，采样频率为200Hz。
进一步地，在离线训练阶段，数据预处理包括异常值处理、消除环境磁场、数据去噪和数据归一化。
进一步地，提取数据特征的方法如下：
采用深度自编码器对磁场数据提取降维的深度特征，深度特征的维度为200维；深度自编码器在训练和提取特征的过程中，将3维时间序列的磁场数据按照维度依次输入网络中，每个维度一次，对于每条数据，总共输入三次；在提取特征时，将每个维度获取的深度特征进行拼接，以获取3维时间序列的磁场数据的深度特征。
进一步地，在离线训练阶段，训练分类模型的方法如下：
采用前一步提取的数据特征作为训练集对python中的机器学习库sklearn所提供的线性判别分类器进行训练，得到分类模型。
进一步地，应用启动窗口的识别方法如下：
采用有限状态自动机来对应用启动的窗口进行搜索，有限状态自动机分为四个状态：校准状态、等待状态、筛选状态和检测状态；在校准状态中，执行对磁场传感器数据的校准操作，用于减少磁场传感器长时间运行的热效应对磁场数据产成的整体偏移影响；在等待状态中，实时监控磁场数据的变化，在满足设定条件时转移到筛选状态或者重新对磁场数据进行校准；筛选状态对智能终端的交互操作进行滤除，避免由于瞬态事件引起的磁场扰动对启动窗口的搜索产生误判；在检测状态中，检测到应用启动，保存相应的磁场数据进行后续处理，并等待应用运行结束转移到等待状态中。
采用上述技术方案带来的有益效果：
实验证明，本发明窗口识别的准确性高达95％以上，应用识别的准确性高达73.5％，Top 5准确度高达90％。可以有效在不获取系统权限的情况下，对用户正在使用的应用进行感知。
附图说明
图1是本发明的方法流程图；
图2是本发明中深度自编码器结构示意图；
图3是本发明中有限状态自动机示意图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
随着移动互联网的快速发展，对智能终端用户正在运行的应用进行监测成为一种需求，以往的技术要求获取智能终端的系统权限，在实际应用中有局限性。本发明提供一种基于磁场数据侧信道分析的应用识别方法，在没有系统权限的情况下对用户的正在运行的应用进行感知。如图1所示，技术方案分为两个部分，分别是离线训练阶段和线上识别阶段。
1、离线训练阶段
在离线训练阶段，主要实现对磁场数据特征的提取，并磁场数据变化模式进行建模，并训练分类模型。本节对移动智能终端应用识别的离线训练阶段进行介绍，主要包括：数据获取，数据预处理，特征提取和训练分类模型。
1.1数据获取
本发明使用外置的磁场传感器来采集智能终端周围的磁场数据。将外置的磁场传感器放置在智能终端旁进行数据采集。外置的磁场传感器相较于移动智能终端内部部署的磁场传感器具有更好的采集效果，主要体现在磁场数据的噪声更小。同时外置的磁场传感器具有更高的采样率，相对于移动智能设备的传感器一般不超过100hz的采样率来说，外置的磁场传感器采样率一般可达200hz以上。对于磁场数据这种变化频率较高的数据种类而言，更高的采样率意味着可以采集到更多磁场变化的细节，可以有效提高应用识别的效果。
1.2数据预处理
采集到的磁场数据需要进行预处理才能进一步提取特征。传感器的异常值会对结果产生影响，需要对可能产生的异常值进行处理。在采集智能终端周围磁场的数据时，地球磁场以及周围环境中存在的磁性物质的磁场会对采集到的数据产生影响，以至于会影响到后续对基于磁场变化模式进行应用识别的效果，所以需要对地磁场以及环境磁场进行消除。并且由于磁场数据存在高频噪声，为了提高识别效果，使用低通滤波对磁场数据的高频噪声进行过滤。最后，由于磁场传感器到移动智能设备之间的距离不同，会导致磁场数据变化幅度不同，为了缓解这个问题，且也为了方便自编码器的训练，将所有数据进行归一化的处理。对数据的预处理分为多个步骤：异常值处理、消除环境磁场、数据去噪和数据归一化。
(1)异常值处理
磁场数据会产生离群值的异常，通常离群值会比左右两边的磁场数据在数值上高出几百甚至上千。对相邻磁场数据之间的差值设置阈值为500可以检测到离群值的存在，对于离群值使用插值法来进行平滑处理。
(2)消除环境磁场
在智能终端运行应用的过程中，磁场传感器采集到的数据由环境磁场与智能终端的磁场的叠加。在智能终端运行应用的过程中，磁场传感器采集到的数据由环境磁场与智能终端的磁场的叠加。如果以BS作为传感器采集的数据，则有BS＝BM+BE，其中BM是移动智能设备运行应用对周围磁场产生的影响，BE是包括地磁场在内的周围环境的磁场的叠加。由于地磁场在一定空间范围内变化幅度不大，且一次应用启动的过程中，周围环境磁场的变化也并不大，因此，在一次应用的启动过程中，将BE作为常量。故可得BM＝BS-BE，BE为磁场传感器数据的初始值。
(3)数据去噪
传感器数据中含有较多的高频噪声，可以使用低通滤波对数据中的高频噪声进行滤除。使用一阶低通滤波对磁场数据进行平滑：
BM'(i)＝αBM(i)+(1-α)BM'(i-1) (1)
其中，α为滤波系数，BM(i)为滤波前的采样值，BM'(i)为本次滤波后的输出值，BM'(i-1)为上次滤波后的输出值。低通滤波将新的采样值与之前的滤波输出值进行加权平均，α取值为0.7可以较好地滤除高频噪声，并且可在一定程度上保留波形的细节。
(4)数据归一化
最后，将进行滤波处理后的数据进行归一化处理。归一化后的数据BN
其中，max(BM')、min(BM')分别为BM'三个维度上的最大值与最小值。归一化操作在不改变数据变化趋势的前提下将所有数据缩放至0-1之间，这样可以有效缓解由于传感器到移动智能设备之间的距离不同而导致的磁场变化幅度不同的问题。
1.3特征提取
对磁场数据进行切分以及预处理之后，需要从磁场数据中提取可以有效反应应用运行特征的深度特征数据。不同于传统的特征工程需要根据数据的特点来手动提取特征，使用通过无监督学习的自编码器作为特征提取方式，可以从高维的时间序列数据中提取出有效的深度特征。
自编码器由一个编码器和一个解码器构成。通过编码器可以将输入的数据进行编码，其维度一般远小于输入数据，使得自编码器可用于数据降维和深度特征的提取，同时解码器可以将编码后的数据进行解码，恢复成与原始数据几乎相差无几的数据。
使用L2范数作为损失函数来衡量输入和输出之间的差距。在网络的训练阶段，需要预先采集一定数量的磁场数据用作自编码器的训练，经过一定轮次的训练，使得网络的损失收敛时，自编码器具备提取时间序列深度特征的能力。
在用户进行人机交互的过程中，用户的交互操作，如点击，滑动等操作也会对周围的磁场进行扰动，但是在应用启动的过程中，用户的交互行为相对较少，并且相同应用启动的时候，应用所加载的模块、智能设备的中央处理器所执行的指令也相对一致。故在传感器采样率为200hz的情况下，针对输入数据中的xyz三轴磁场数据，每个轴各截取前576个数据输入神经网络之中来分别提取深度特征。
自编码器在训练和提取特征的过程中，将3维的时间序列数据按照维度依次输入网路中，每个维度一次，对于每条数据，总共输入三次；在提取特征时，将每个维度获取的深度特征进行拼接，以获取3维时间序列数据的深度特征。使用经过充分训练的自编码器网络的编码器部分对输入的数据BN进行编码，得到低维的深度特征，如图2所示。
1.4训练分类模型
对于每种应用，采集多组启动时的数据，提取深度特征形成训练数据集，使用训练集对python中的机器学习库sklearn所提供的线性判别分类器进行训练。
2、线上识别阶段
线上识别阶段分为数据获取、数据预处理、特征提取和应用识别四个步骤。其中数据获取步骤、特征提取步骤分别与上述1.1和1.3中一致，应用识别步骤中使用1.4中训练好的分类模型进行识别。在线上识别阶段的数据预处理步骤中，由于无法直接获取到应用启动的时间戳，故需要使用基于有限状态自动机的数据切割操作对获取到的磁场数据进行处理以识别应用启动的窗口。
在线上识别阶段，数据的预处理分为五个步骤，分别是异常值处理、启动窗口识别、消除环境磁场、数据去噪和数据归一化。其中异常值处理，消除环境磁场，数据去噪和数据归一化和上述1.2中的操作一致。下面对应用启动窗口的识别进行详细阐述。
在数据采集步骤，获取到包含有应用启动时的磁场数据。在离线训练阶段，可以通过adb工具记录下的时间戳来对磁场数据进行分片。在线上识别阶段，磁场传感器实时采集移动智能终端周围的磁场数据，此时需要对应用的启动数据窗口进行搜索，并找到包含有应用启动时的磁场数据窗口，本发明提出使用有限状态自动机来对应用启动的窗口进行搜索。
如图3所示，用于搜索应用启动窗口的有限状态自动机分为四个状态：在校准状态中，执行对传感器数据的校准操作，用于减少磁场传感器长时间运行的热效应对磁场数据产成的整体偏移影响；在等待状态中，实时监控磁场数据的变化，在满足一定条件时转移到筛选状态或者重新对磁场数据进行校准；筛选状态对移动智能终端的交互操作进行滤除，避免由于瞬态事件引起的磁场扰动对启动窗口的搜索产生误判；在检测状态中，检测到应用启动，保存相应的磁场数据进行后续处理，并等待应用运行结束转移到等待状态中。下面将对有限状态自动机进行详细阐述：
1)校准状态：系统开始运行时首先进入到校准状态中，对磁场数据进行校准操作。获取环境磁场的基准值，并进行校准，周围磁场稳定时采集磁场的x轴、y轴和z轴数据Mx(i)、My(i)、Mz(i)。首先采集t秒的数据，并计算磁场数据的均值和方差，根据多次实验观察，t大于0.5就可以得到较为准确的均值和方差。之后对于采集到的磁场数据计算F(i)：
其中，μx、μy、μz、σx、σy、σz对应Mx(i)、My(i)、Mz(i)的均值和方差，F(i)服从卡方分布。当F(i)＜THf1时完成磁场数据的校准，节点进入到等待状态，其中THf1＝α，α为自由度为3的卡方分布的分位数，经过实验和观察，选取满足
的参数，即
为12.84。
2)等待状态：等待可能发生的用户交互行为和应用开启行为。当F(i)＞THf2时，节点进入到筛选状态。为了解决在长时间的数据采集过程中由于温度、震动等引起的磁场数据整体漂移的现象，在等待状态中如果THf1＜F(i)＜THf2且ΔT＞THt1，则对磁场数据重新进行校准，其中ΔT是前者的持续时间，THt1可设置为2000ms。
3)筛选状态：过滤由于用户人机的交互动作以及外界磁场干扰等产生瞬态磁场数据变动。当状态机在筛选状态时，如果THf3＜F(i)且ΔT＞THt2，意味着应用开始运行，节点进入到检测状态中。如果满足F(i)＜THf2且ΔT＜THt2，则重新回到等待状态中，THf2设置为1600，THt2设置为500ms。
4)检测状态：在检测状态中，将应用启动过程中F(i)大于THf2的磁场数据Mx(i)、My(i)、Mz(i)记录下来，共记录ts秒的数据，之后对数据进行进一步处理，以识别应用类别。当F(i)＜THf2且ΔT＞THt2，则重新回到等待状态中。
在具体的实验过程中，使用hwt-905外置磁场传感器来对移动智能终端采集磁场数据，实验用的智能设备为谷歌pixel2智能手机。在实验的过程中，按照上述的采集方法来进行磁场数据集的采集工作，将数据集根据应用的种类按照4:1的比例进行分层抽样制作训练集和测试集；对磁场数据进行预处理后对磁场数据每一个维度提取长度为50的深度特征，拼接为长度为150的深度特征，最后使用线性判别分析的分类算法对应用进行识别。线性判别分析的识别准确率可达0.735，F1-score为0.73，top5的准确率达到0.9；经过大量实验，在应用识别的问题上，线性判别分析算法效果显著好于其他分类算法。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (6)
1.一种基于磁场数据侧信道分析的智能设备应用识别方法，其特征在于：包括离线训练阶段和线上识别阶段，所述离线训练阶段依次包括采集磁场数据、数据预处理、提取数据特征和训练分类模型四个步骤；所述线上识别阶段依次包括采集磁场数据、数据预处理、提取数据特征和应用识别四个步骤，其中采集磁场数据和提取数据特征的步骤与离线训练阶段的采集磁场数据和提取数据特征的步骤相同，数据预处理的步骤相比于离线训练阶段的数据预处理的步骤增加了应用启动窗口的识别，应用识别的步骤是将前一步提取的数据特征输入离线训练阶段中训练好的分类模型中，得到分类结果。
2.根据权利要求1所述基于磁场数据侧信道分析的智能设备应用识别方法，其特征在于：采集磁场数据的方法如下：
采用外置的磁场传感器对智能终端周围的磁场数据进行采集，采样频率为200Hz。
3.根据权利要求1所述基于磁场数据侧信道分析的智能设备应用识别方法，其特征在于：在离线训练阶段，数据预处理包括异常值处理、消除环境磁场、数据去噪和数据归一化。
4.根据权利要求1所述基于磁场数据侧信道分析的智能设备应用识别方法，其特征在于：提取数据特征的方法如下：
采用深度自编码器对磁场数据提取降维的深度特征，深度特征的维度为200维；深度自编码器在训练和提取特征的过程中，将3维时间序列的磁场数据按照维度依次输入网络中，每个维度一次，对于每条数据，总共输入三次；在提取特征时，将每个维度获取的深度特征进行拼接，以获取3维时间序列的磁场数据的深度特征。
5.根据权利要求1所述基于磁场数据侧信道分析的智能设备应用识别方法，其特征在于：在离线训练阶段，训练分类模型的方法如下：
采用前一步提取的数据特征作为训练集对python中的机器学习库sklearn所提供的线性判别分类器进行训练，得到分类模型。
6.根据权利要求1所述基于磁场数据侧信道分析的智能设备应用识别方法，其特征在于：应用启动窗口的识别方法如下：
采用有限状态自动机来对应用启动的窗口进行搜索，有限状态自动机分为四个状态：校准状态、等待状态、筛选状态和检测状态；在校准状态中，执行对磁场传感器数据的校准操作，用于减少磁场传感器长时间运行的热效应对磁场数据产成的整体偏移影响；在等待状态中，实时监控磁场数据的变化，在满足设定条件时转移到筛选状态或者重新对磁场数据进行校准；筛选状态对智能终端的交互操作进行滤除，避免由于瞬态事件引起的磁场扰动对启动窗口的搜索产生误判；在检测状态中，检测到应用启动，保存相应的磁场数据进行后续处理，并等待应用运行结束转移到等待状态中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110800743.7A CN113569930A (zh) | 2021-07-15 | 2021-07-15 | 一种基于磁场数据侧信道分析的智能设备应用识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110800743.7A CN113569930A (zh) | 2021-07-15 | 2021-07-15 | 一种基于磁场数据侧信道分析的智能设备应用识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113569930A true CN113569930A (zh) | 2021-10-29 |
Family
ID=78164958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110800743.7A Pending CN113569930A (zh) | 2021-07-15 | 2021-07-15 | 一种基于磁场数据侧信道分析的智能设备应用识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569930A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58140854A (ja) * | 1982-02-15 | 1983-08-20 | Ricoh Co Ltd | 障害記録方式 |
| CN103488995A (zh) * | 2013-08-31 | 2014-01-01 | 中山大学 | 一种识别颈部转动的方法 |
| CN106203098A (zh) * | 2016-07-14 | 2016-12-07 | 中国科学院信息工程研究所 | 应用级窃听防护方法和装置 |
| CN106264460A (zh) * | 2016-07-29 | 2017-01-04 | 北京好运到信息科技有限公司 | 基于自学习的脑活动多维时间序列信号的解码方法及装置 |
| CN109670599A (zh) * | 2018-12-03 | 2019-04-23 | 浙江工商大学 | 一种基于深度学习的sdn应用识别方法 |
| CN109946538A (zh) * | 2019-03-14 | 2019-06-28 | 上海交通大学 | 一种基于磁感应信号的移动设备监控方法及系统 |
| CN109995501A (zh) * | 2017-12-31 | 2019-07-09 | 国民技术股份有限公司 | 一种侧信道分析方法及装置、终端及计算机可读存储介质 |
| CN111144470A (zh) * | 2019-12-20 | 2020-05-12 | 中国科学院信息工程研究所 | 一种基于深度自编码器的未知网络流量识别方法及系统 |
| CN111581962A (zh) * | 2020-05-14 | 2020-08-25 | 福州大学 | 一种基于主题词向量与混合神经网络的文本表示方法 |
| US20200396531A1 (en) * | 2020-08-28 | 2020-12-17 | Abhivarman Paranirupasingam | System and method based in artificial intelligence to detect user interface control command of true wireless sound earbuds system on chip,and thereof |
| CN112345626A (zh) * | 2020-10-30 | 2021-02-09 | 东北大学 | 一种基于异构场信号的管道缺陷智能反演方法 |
| CN112615714A (zh) * | 2020-12-29 | 2021-04-06 | 清华大学苏州汽车研究院（吴江） | 侧信道分析方法、装置、设备及存储介质 |
| CN113111731A (zh) * | 2021-03-24 | 2021-07-13 | 浙江工业大学 | 基于测信道信息的深度神经网络黑盒对抗样本生成方法及系统 |
-
2021
- 2021-07-15 CN CN202110800743.7A patent/CN113569930A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58140854A (ja) * | 1982-02-15 | 1983-08-20 | Ricoh Co Ltd | 障害記録方式 |
| CN103488995A (zh) * | 2013-08-31 | 2014-01-01 | 中山大学 | 一种识别颈部转动的方法 |
| CN106203098A (zh) * | 2016-07-14 | 2016-12-07 | 中国科学院信息工程研究所 | 应用级窃听防护方法和装置 |
| CN106264460A (zh) * | 2016-07-29 | 2017-01-04 | 北京好运到信息科技有限公司 | 基于自学习的脑活动多维时间序列信号的解码方法及装置 |
| CN109995501A (zh) * | 2017-12-31 | 2019-07-09 | 国民技术股份有限公司 | 一种侧信道分析方法及装置、终端及计算机可读存储介质 |
| CN109670599A (zh) * | 2018-12-03 | 2019-04-23 | 浙江工商大学 | 一种基于深度学习的sdn应用识别方法 |
| CN109946538A (zh) * | 2019-03-14 | 2019-06-28 | 上海交通大学 | 一种基于磁感应信号的移动设备监控方法及系统 |
| CN111144470A (zh) * | 2019-12-20 | 2020-05-12 | 中国科学院信息工程研究所 | 一种基于深度自编码器的未知网络流量识别方法及系统 |
| CN111581962A (zh) * | 2020-05-14 | 2020-08-25 | 福州大学 | 一种基于主题词向量与混合神经网络的文本表示方法 |
| US20200396531A1 (en) * | 2020-08-28 | 2020-12-17 | Abhivarman Paranirupasingam | System and method based in artificial intelligence to detect user interface control command of true wireless sound earbuds system on chip,and thereof |
| CN112345626A (zh) * | 2020-10-30 | 2021-02-09 | 东北大学 | 一种基于异构场信号的管道缺陷智能反演方法 |
| CN112615714A (zh) * | 2020-12-29 | 2021-04-06 | 清华大学苏州汽车研究院（吴江） | 侧信道分析方法、装置、设备及存储介质 |
| CN113111731A (zh) * | 2021-03-24 | 2021-07-13 | 浙江工业大学 | 基于测信道信息的深度神经网络黑盒对抗样本生成方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| YUSHI CHENG等: "MagAttack: Guessing Application Launching and Operation via Smartphone", 《ASIACCS 19》, 31 July 2019 (2019-07-31), pages 283 - 294 * |
| 杨庚: "基于光纤传感的入侵检测信号提取与识别算法", 《计算机技术与发展》, no. 6, 15 July 2014 (2014-07-15), pages 161 - 165 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
| CN112597867A (zh) | 戴口罩人脸识别方法、系统、计算机设备及存储介质 | |
| CN106940805A (zh) | 一种基于手机传感器的群体行为分析方法 | |
| CN111199202B (zh) | 基于循环注意力网络的人体动作识别方法及识别装置 | |
| CN103892830A (zh) | 一种基于人体皮肤电阻变化的情绪检测方法及系统 | |
| CN110941953A (zh) | 一种兼顾可解释性的网络虚假评论的自动识别方法及系统 | |
| CN113076903A (zh) | 一种目标行为检测方法、系统、计算机设备及机器可读介质 | |
| CN115391670A (zh) | 一种基于知识图谱的互联网行为分析方法与系统 | |
| CN115858504A (zh) | 物联网平台的多维数据融合管理系统、方法及存储介质 | |
| CN117648437A (zh) | 银行智能业务引导方法及系统 | |
| CN113569930A (zh) | 一种基于磁场数据侧信道分析的智能设备应用识别方法 | |
| JP2010140444A (ja) | 検査システム及びその制御方法、コンピュータプログラム | |
| CN116861214A (zh) | 一种基于卷积长短时记忆网络的健康状态识别方法及系统 | |
| Tang et al. | Association Analysis of Abnormal Behavior of Electronic Invoice Based on K-Means and Skip-Gram | |
| Viermetz et al. | Tracking topic evolution in news environments | |
| Pohl et al. | Online processing of social media data for emergency management | |
| CN114066219A (zh) | 一种关联矩阵下用电异常点智能识别的窃电分析方法 | |
| CN115143128A (zh) | 小型潜水电泵的故障诊断方法及其系统 | |
| Nyhuis et al. | Automated video analysis for social science research 1 | |
| CN109493249B (zh) | 一种用电数据在多时间尺度上的分析方法 | |
| CN114462417A (zh) | 一种应用于大数据的评论文本处理方法及存储介质 | |
| CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 | |
| CN113963357B (zh) | 基于知识图谱的敏感文本检测方法及系统 | |
| Zhang et al. | Mobile applications identification using autoencoder based electromagnetic side channel analysis | |
| CN117406044B (zh) | 液晶显示屏的放电检测方法、装置、设备及存储介质 |
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 |