CN114781423A - 测量仪器、测量系统以及信号处理方法 - Google Patents
测量仪器、测量系统以及信号处理方法 Download PDFInfo
- Publication number
- CN114781423A CN114781423A CN202111601538.4A CN202111601538A CN114781423A CN 114781423 A CN114781423 A CN 114781423A CN 202111601538 A CN202111601538 A CN 202111601538A CN 114781423 A CN114781423 A CN 114781423A
- Authority
- CN
- China
- Prior art keywords
- measurement
- signal
- measurement signal
- machine learning
- correlation
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 199
- 238000012360 testing method Methods 0.000 claims abstract description 69
- 238000010801 machine learning Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 description 6
- 239000000523 sample Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3181—Functional testing
- G01R31/319—Tester hardware, i.e. output processing circuits
- G01R31/3193—Tester hardware, i.e. output processing circuits with comparison between actual response and known fault free response
- G01R31/31932—Comparators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3181—Functional testing
- G01R31/319—Tester hardware, i.e. output processing circuits
- G01R31/31903—Tester hardware, i.e. output processing circuits tester configuration
- G01R31/31905—Interface with the device under test [DUT], e.g. arrangements between the test head and the DUT, mechanical aspects, fixture
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R13/00—Arrangements for displaying electric variables or waveforms
- G01R13/02—Arrangements for displaying electric variables or waveforms for displaying measured electric variables in digital form
- G01R13/029—Software therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3181—Functional testing
- G01R31/319—Tester hardware, i.e. output processing circuits
- G01R31/31903—Tester hardware, i.e. output processing circuits tester configuration
- G01R31/31908—Tester set-up, e.g. configuring the tester to the device under test [DUT], down loading test patterns
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tests Of Electronic Circuits (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
描述了一种用于测试被测器件的测量仪器(14)。被测器件(12)具有至少两个测试点(20、24)。该测量仪器(14)包括第一测量通道(30)、第二测量通道(32)以及机器学习模块(34)。第一测量通道(30)被配置为处理与至少两个测试点(20、24)中的一个相关联的第一输入信号,从而生成第一测量信号。第二测量通道(32)被配置为处理与至少两个测试点中的另一个相关联的第二输入信号,从而生成第二测量信号。机器学习模块(34)被配置为基于第一测量信号和基于第二测量信号确定至少一个相关量,其中该至少一个相关量指示第一测量信号和第二测量信号之间的相关性。此外,描述了一种测量系统(10)和信号处理方法。
Description
技术领域
本发明总体上涉及一种用于测试被测器件的测量仪器。本发明还涉及一种用于测试被测器件的信号处理方法。
背景技术
在某些情况下,电子系统的特定信号可能在某些或所有时间无法满足其要求。这种故障可能有多种原因,例如电路板设计不当或者关于信号本身的次优设置。
这种故障的另一个原因可能是电子系统内其它信号的影响。在这种情况下,电子系统的用户必须确定是哪个信号导致了被观察信号中的问题。术语“查找攻击者”通常用于描述此类调试问题。
通常,对一组信号进行长时间观察,以便观察被观察信号与任何潜在攻击信号之间的任何关系。如果关系不明显,例如某种线性耦合,则查找攻击者可能是一项耗时的任务。
因此,本发明的目的是提供测量仪器、测量系统以及信号处理方法,以允许更容易地识别攻击信号。
发明内容
根据本发明,提供了一种用于测试具有至少两个测试点的被测器件的测量仪器。该测量仪器包括第一测量通道、第二测量通道以及机器学习模块。第一测量通道被配置为处理与至少两个测试点中的一个相关联的第一输入信号,从而生成第一测量信号。第二测量通道被配置为处理与至少两个测试点中的另一个相关联的第二输入信号,从而生成第二测量信号。机器学习模块被配置为基于第一测量信号和基于第二测量信号确定至少一个相关量,其中至少一个相关量指示第一测量信号和第二测量信号之间的相关性。
本发明基于以下思想,使用合适的机器学习技术借助于机器学习模块来分析第一测量信号和第二测量信号之间的相关性。
更准确地说,机器学习模块被训练成基于第一测量信号和基于第二测量信号以完全自动的方式确定至少一个相关量。
如果测量信号之间存在一定量的相关性,则这是被测器件中生成第一输入信号的电子元件可能正在影响被测器件中生成第二输入信号的电子元件有力指示,或者反之亦然。
因此,至少一个所确定的相关量可被用于识别被测器件内的攻击信号。
特别地,机器学习模块可以被配置为基于所确定的至少一个相关量来自动确定第一输入信号和第二输入信号中的至少一个是否为攻击信号(即,不必要地影响其它输入信号)。
可替选地或附加地,可以向用户展示至少一个相关量,使得测量仪器的用户可以基于所确定的至少一个相关量来决定输入信号之一是否为攻击信号。
即使关于攻击信号的最终结论不是由机器学习模块执行的,对于用户来说,至少一个所确定的相关量也比包括第一输入信号和第二输入信号的长期观察的大量数据更容易处理。因此,根据本发明的测量仪器对于用户来说更易于处理。
此外,至少一个相关量是完全自动确定的,使得用于识别攻击信号的所需时间显著减少。
根据本发明的一个方面,机器学习模块包括人工神经网络。人工神经网络被训练成基于第一测量信号和基于第二测量信号来确定至少一个相关量。第一测量信号和/或第二测量信号是人工神经网络的输入量。至少一个相关量是人工神经网络的输出量。
根据本发明的又一个方面,人工神经网络包括自编码器。第一测量信号和/或第二测量信号是自编码器的输入量。至少一个相关量是自编码器的输出量。
自编码器可被训练成从第一测量信号和/或第二测量信号中提取最相关的信息,并且基于所提取的信息确定至少一个相关量。
在本发明的实施例中,机器学习模块被配置为尝试基于第一测量信号重构第二测量信号,以便确定至少一个相关量。换句话说,机器学习模块被训练成基于第一测量信号重构第二测量信号(或者反之亦然)。如果机器学习模块成功地基于第一测量信号(至少部分地)重构第二测量信号,则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此,在这种情况下可以得出结论,第一输入信号相对于第二输入信号是攻击信号。
根据本发明的另一个方面,至少一个相关量包括重构函数,其中重构函数描述第二测量信号对第一测量信号的依赖性。换句话说,机器学习模块尝试找到描述第二测量信号S2(x)依赖于第一测量信号S1(x)的重构函数S2(x)=f(S1(x)),其中x代表时间变量和/或频率变量。如果可以找到这样的函数f,则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此,在这种情况下可以得出结论,第一输入信号相对于第二输入信号是攻击信号。
重构函数f可以是非线性函数。因此,可以识别输入信号之间的非线性相关性。因此,使用机器学习模块以便确定至少一个相关量具有可被识别的非线性相关性的附加优势。
特别地,机器学习模块可被训练成查找(非线性)重构函数S2(x)=f(S1,i(x),S2,i(x)),该重构函数描述了第二测量信号S2(x)依赖于理想的第一测量信号S1,i(x)和依赖于理想的第二测量信号S2,i(x),即基于没有由于攻击信号的任何扰动的测量信号。如果可以查找这样的重构函数f(并且对S2,i(x)的依赖性是有意义的),则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此,在这种情况下可以得出结论,第一输入信号相对于第二输入信号是攻击信号。
可以在关闭被测器件中生成第二输入信号的电子元件的同时,通过测量第一输入信号来获得理想的测量信号S1,i(x)。同样地,可以在关闭被测器件中生成第一输入信号的电子元件的同时,通过测量第二输入信号来获得理想的测量信号S2,i(x)。
在本发明的又一个实施例中,第一测量通道被配置为对第一输入信号进行预处理,使得第一测量信号包括关于第一输入信号的统计信息。
可替选地或附加地,第二测量通道可以被配置为对第二输入信号进行预处理,使得第二测量信号包括关于第二输入信号的统计信息。
例如,统计信息可以包括任何一个输入信号的脉宽直方图、任一输入信号的信噪比、和/或任一输入信号的平均功率。
因此,提供关于第一输入信号和/或第二输入信号的附加信息,这些附加信息可以由机器学习模块使用,以便确定至少一个相关量。
特别地,机器学习模块被配置为基于统计信息确定至少一个相关量。这样,可以提高所确定的至少一个相关参数的准确性。
根据本发明的一方面,测量仪器被配置为处理至少一个另外的输入信号,从而生成至少一个另外的测量信号,其中机器学习模块被配置为基于至少一个另外的测量信号确定至少一个相关量,并且其中至少一个相关量指示至少一个另外的测量信号与第一测量信号和第二测量信号中的至少一个之间的相关性。因此,机器学习模块可被训练成确定第一输入信号、第二输入信号以及至少一个另外的输入信号中的两个或更多个之间是否存在显著的相关性。
特别地,机器学习模块可以被配置成为所有可能的测量信号对确定至少一个相关量,从而为所有可能的输入信号对获得单独相关量。因此,每个输入信号对所有其它输入信号的影响被检查。
可替选地或附加地,机器学习模块可以被配置成为测量信号组确定至少一个相关量,使得至少一个相关量指示不同组输入信号之间的相关性。
可以借助于第一测量通道、借助于第二测量通道,和/或借助于测量仪器的另一个测量通道来处理至少一个另外的输入信号。
在本公开的另一实施例中,机器学习模块被配置为将第一测量信号和/或第二测量信号转换到潜在空间,以便确定至少一个相关量。换句话说,机器学习模块可以被配置为从第一测量信号和/或从第二测量信号中提取最相关的信息,并且基于所提取的信息确定至少一个相关量。事实证明,可以基于测量信号的潜在空间表示来识别仅偶尔发生的任何输入信号中的扰动。换句话说,即使由攻击信号引起的扰动只是偶尔发生,机器学习模块也可以识别攻击信号。
此外,事实证明,可以基于测量信号的潜在空间表示,识别和适当处理测量信号中的异常值样本。
特别地,测量仪器被建立为示波器、信号分析仪或者矢量网络分析仪。然而,应当理解,测量仪器可以被建立为任何其它类型的合适的信号分析仪器。
根据本发明,由测量系统进一步解决该问题。该测量系统包括被测器件和上面描述的测量仪器,其中被测器件具有至少两个测试点。
关于测量系统的优点和进一步特性,参考上面关于测量仪器给出的解释,这些解释也适用于测量系统,并且反之亦然。
根据本发明的一个方面,被测器件包括印刷电路板,其中印刷电路板包括至少两个测试点。因此,上面描述的测量仪器可被用于针对攻击信号测试印刷电路板。换句话说,测量仪器可被用于识别影响印刷在印刷电路板上的其它电子元件(例如电子电路)的电子元件(例如电子电路)。
根据本发明,通过用于测试被测器件的信号处理方法进一步解决该问题。被测器件具有至少两个测试点。信号处理方法包括以下步骤:
-经由第一测量通道接收第一输入信号,并且经由第二测量通道接收第二输入信号;
-借助于第一测量通道处理第一输入信号,从而生成第一测量信号;
-借助于第二测量通道处理第二输入信号,从而生成第二测量信号;以及
-借助于机器学习技术确定指示第一测量信号和第二测量信号之间相关性的至少一个相关量。
特别地,上述测量仪器和/或上述测量系统被配置为执行信号处理方法。
关于信号处理方法的优点和进一步特性,参考上面关于测量仪器给出的解释,这些解释也适用于信号处理方法,并且反之亦然。
根据本发明的一个方面,该信号处理方法还包括以下步骤:
-尝试借助于机器学习技术基于第一测量信号重构第二测量信号,以便确定至少一个相关量。
如果机器学习模块成功地(至少部分地)基于第一测量信号重构第二测量信号,则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此,在这种情况下可以得出结论,第一输入信号相对于第二输入信号是攻击信号。
根据本发明的另一个方面,至少一个相关量包括重构函数,其中重构函数描述第二测量信号对第一测量信号的依赖性。换句话说,机器学习模块尝试查找描述第二测量信号s2(x)依赖于第一测量信号s1(x)的重构函数s2(x)=f(s1(x)),其中x代表时间变量和/或频率变量。如果可以找到这样的函数f,则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此,在这种情况下可以得出结论,第一输入信号相对于第二输入信号是攻击信号。
重构函数f可以是非线性函数。因此,可以识别输入信号之间的非线性相关性。
特别地,机器学习模块可以尝试查找(非线性)重构函数S2(x)=f(S1,i(x),S2,i(x)),该重构函数描述了第二测量信号S2(x)依赖于理想的第一测量信号S1,i(x)和依赖于理想的第二测量信号S2,i(x),即基于没有由于攻击信号的任何扰动的测量信号。如果可以找到这样的重构函数f(并且对S2,i(x)的依赖性是有意义的),则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此,在这种情况下可以得出结论,第一输入信号相对于第二输入信号是攻击信号。
可以在关闭被测器件中生成第二输入信号的电子元件的同时,通过测量第一输入信号来获得理想的测量信号S1,i(x)。同样地,可以在关闭被测器件中生成第一输入信号的电子元件的同时,通过测量第二输入信号来获得理想的测量信号S2,i(x)。
附图说明
当结合附图参考以下详细描述时,将更容易理解要求保护的主题的前述方面和许多伴随的优点,因为它们变得更容易理解,其中:
-图1示意性地示出了根据本发明的测量系统;
-图2示出了具有相关测量信号的理想被测器件;
-图3示出了具有攻击信号和相关测量信号的被测器件;
-图4示出了根据本发明的信号处理方法的流程图;以及
-图5和图6示出了图4信号处理方法的各个步骤的图示。
具体实施方式
下面结合附图阐述的详细描述,其中类似的数字指代类似的元件,旨在作为对所公开主题内容的各种实施例的描述,并不旨在表示仅有的实施例。本公开中描述的每个实施例仅作为示例或说明被提供,并且不应该被解释为优先于或优于其它实施例。本文提供的说明性示例并非旨在穷举或者将要求保护的主题内容限制为所公开的精确形式。
出于本公开的目的,短语“A、B和C中的至少一个”例如是指(A)、(B)、(C)、(A和B)、(A和C)、(B和C)或(A、B和C),包括列出三个以上元素时的所有进一步可能的排列。换句话说,术语“A和B中的至少一个”通常是指“A和/或B”,即仅有“A”、仅有“B”或“A和B”。
图1示意性地示出了包括被测器件12和测量仪器14的测量系统10。
被测器件12包括至少两个不同的电子电路,它们各自被配置为生成和/或处理电信号。
在图1示出的特定示例中,被测器件包括被配置为生成和/或处理第一电信号s1(t)的第一电子电路16,以及被配置为生成和/或处理第二电信号s2(t)的第二电子电路18。
第一电子电路16包括第一测试点20,经由该第一测试点20,可以例如借助于连接到测量仪器14的第一测量探针22拾取第一电信号s1(t)。
第二电子电路18包括第二测试点24,经由该第二测试点24,可以例如借助于连接到测量仪器14的第二测量探针26拾取第二电信号s2(t)。
通常,被测器件12可以被建立为任何种类的电子设备。
可选地,被测器件12可以包括印刷电路板28,其中电子电路16、18被印刷在印刷电路板28上。
事实上,被测器件12甚至可以被建立为印刷电路板。
通常,测量仪器14可以被建立为示波器、信号分析仪或者矢量网络分析仪。
然而,应当理解,测量仪器14可以被建立为任何其它类型的合适的信号分析仪器。
测量仪器14包括第一测量通道30、第二测量通道32以及机器学习模块34。
在其中和下文中,术语“模块”被理解为描述被配置为具有特定功能的合适的硬件、合适的软件或者硬件和软件的组合。
除其它外,硬件可以包括CPU、GPU、FPGA、ASIC或其它类型的电子电路系统。
第一测量通道30包括被连接到第一测量探针22的第一信号输入36。
第一测量通道30还包括在第一信号输入36和机器学习模块34之间互连的第一信号处理模块38。
第二测量通道32包括被连接到第二测量探针26的第二信号输入40。
第二测量通道32还包括在第二信号输入40和机器学习模块34之间互连的第二信号处理模块42。
具有多个信号处理和/或信号生成电路的电子设备可能会遇到这样的问题:各个电子电路以不必要的方式相互影响,从而导致一个或多个电子信号中的扰动。
在图1的特定示例中,第一电信号s1(t)可能以不必要的方式影响第二电信号s2(t),或者反之亦然。
图2示出了示例性被测器件12,被测器件12具有生成/处理四个电信号s1(t)、s2(t)、s3(t)和s4(t)的四个不同电子电路。
事实上,图2中示出的被测器件12是理想的电子设备,在某种意义上没有攻击信号。换句话说,四个电信号s1(t)、s2(t)、s3(t)和s4(t)不会以不必要的方式相互影响。
因此,四个电信号为理想电信号s1,i(t)、s2,i(t),、s3,i(t)和s4,i(t)。
图3显示了相同的被测器件12,但是由于来自任何其它电信号s1(t)、s2(t)和s4(t)的不必要的扰动,第三电信号s3(t)出现扰动。
测量仪器14可被用来识别被测器件12中的攻击信号。
更准确地说,测量仪器14被配置为执行用于测试被测器件12的信号处理方法,该方法在下面参考图4进行描述。
在下文中,针对在图3中示出的被测器件12的具体示例描述信号处理方法。然而,应当理解,该信号处理方法也适用于大于或等于2的任何其它数量的电信号。
分别经由第一测量通道30和第二测量通道32接收第一输入信号和第二输入信号(步骤S1)。
其中,第一输入信号可以是电信号s1(t)、s2(t)、s3(t)和s4(t)中的任意一个。
第二输入信号可以是电信号s1(t)、s2(t)、s3(t)和s4(t)中的任何另外一个。
分别借助于第一信号处理模块38和第二信号处理模块42处理第一输入信号和第二输入信号,从而分别生成第一测量信号和第二测量信号(步骤S2)。
在预定时间段内接收和处理输入信号,使得在预定时间段内可获得输入信号的测量数据(即测量信号)。
更准确地说,可以生成每个输入信号的多个记录。
可以重复进行步骤S1和S2,直到为被测器件12的电信号s1(t)、s2(t)、s3(t)和s4(t)中的每一个生成测量信号为止。
这在图5中被示出,图5显示了与在预定时间T内所观察到的测量信号S1、S2、S3和S4相关联的四组测量信号数据。
可替选地或附加地,测量仪器14可以包括附加的测量通道,使得可以同时接收和处理更多的输入信号。
可选地,可以分别借助于第一信号处理模块38和第二信号处理模块42对第一输入信号和第二输入信号进行预处理,使得第一测量信号和第二测量信号分别包括关于第一输入信号和第二输入信号的统计信息(步骤S3)。
例如,统计信息可以包括任何一个输入信号的脉宽直方图、任一输入信号的信噪比和/或任一输入信号的平均功率。
测量信号被转发到机器学习模块34。
借助于机器学习模块34来确定至少一个相关量,其中至少一个相关量指示与电信号s1(t)、s2(t)、s3(t)和s4(t)相关联的至少一对测量信号之间的相关性(步骤S4)。
通常,机器学习模块34被训练成基于相应测量信号,即基于与电信号s1(t)、s2(t)、s3(t)、s4(t)相关联的样本,并且可选地基于附加统计信息,来确定至少一个相关量。
更准确地说,机器学习模块34包括人工神经网络,并且特别是自编码器,自编码器被训练成基于相应测量信号确定至少一个相关量。
至少一个相关量可以包括至少一对测量信号(特别是对于每对测量信号)之间的相关系数C。
例如,相关系数C可以是皮尔森相关系数。
因此,至少一个相关量可以包括相关系数C(S1(t),S2(t))、C(S1(t),S3(t))、C(S1(t),S4(t))、C(S2(t),S3(t))、C(S2(t),S4(t))和/或C(S3(t),S4(t))。
在其中和下文中,带有大写字母S1、S2等的信号表示与带有小写字母(即s1、s2等)的相应电信号相关联的测量信号。
然而,这种相关系数C仅捕获各个信号之间的线性相关性。
优选地,至少一个相关量包括至少一个重构函数f,其中重构函数描述了一个或多个测量信号对一个或多个其它测量信号的依赖性。
换句话说,机器学习模块34基于测量信号S1、S2、S3、S4中的至少另外一个重构测量信号S1、S2、S3、S4中的至少一个。
这在图6中被示出,其中机器学习模块34的自编码器尝试基于测量信号S3重构测量信号S4。
因此,在该示例中,测量信号S3为自编码器的输入量,而测量信号S4为自编码器的目标输出量。
例如,机器学习模块34可被训练成查找(非线性)重构函数S2(x)=f(S1,i(x),S2,i(x)),该重构函数描述了第二测量信号S2(x)依赖于理想的第一测量信号S1,i(x)和依赖于理想的第二测量信号S2,i(x),即基于没有由于攻击信号的任何扰动的测量信号。
其中,x代表时间变量和/或频率变量。因此,在尝试查找(一个或多个)重构函数f之前,可以将测量信号转换到频域。
如果可以查找这样的函数f,则这是各个测量信号之间,并且因此是与测量信号相关联的输入信号之间存在相关性的有力指示。
因此,在这种情况下可以得出结论,第一输入信号相对于第二输入信号是攻击信号。
重构函数f可以是非线性函数。因此,可以识别在测量信号之间(并且因此在输入信号之间)的非线性相关性。
可以在关闭被测器件12中生成第二输入信号(或者更确切地说,第二电信号s2(t))的电子元件的同时,通过测量第一输入信号(或者更确切地说,第一电信号s1(t))来获得理想的测量信号S1,i(x)。
同样地,可以在关闭被测器件12中生成第一输入信号(或者更确切地说,第一电信号s1(t))的电子元件的同时,通过测量第二输入信号(或者更确切地说,第二电信号s2(t))来获得理想的测量信号S2,i(x)。
特别地,机器学习模块34可以尝试为所有可能的测量信号对确定相应重建函数f,从而为所有可能的测量信号对获得单独重构函数f。这样,检查每个输入信号对所有其它输入信号的影响。
需要注意的是,用于不同测量信号对的重构函数f当然可以彼此不同。因此,重构函数f12(S1,i(x),S2,i(x))可能不同于重构函数f13(S1,i(x),S3,i(x))。然而,为了更好的可读性,在上文和下文中去掉了f的下标。
可选地,机器学习模块34可以尝试为测量信号组确定至少一个相关量,使得至少一个相关量指示不同组的输入信号之间的相关性。
例如,机器学习模块34可以尝试确定描述S1和S2对S3和S4的依赖性的重构函数f(S1,i(x),S2,i(x);S3,i(x),S4,i(x))。
可选地,可以借助于机器学习模块将测量信号转换到潜在空间,以便确定至少一个相关量(步骤S5)。
换句话说,机器学习模块34可以被配置为从测量信号中提取最相关的信息,并且基于所提取的信息确定至少一个相关量。
事实证明,可以基于相关测量信号的潜在空间表示,来识别仅偶尔发生的输入信号s1(t)、s2(t)、s3(t)、s4(t)中的任何一个中的扰动。换句话说,即使由攻击信号引起的扰动只是偶尔发生,机器学习模块34也可以识别攻击信号。
此外,事实证明,可以基于测量信号的潜在空间表示,适当处理和识别测量信号中的异常值样本。
可以基于至少一个相关量来自动识别至少一个攻击信号(步骤S6)。
如上所述,如果可以找到以足够精度描述测量信号的相互依赖性的重构函数f,则这是各个测量信号之间,并且因此是与测量信号相关联的输入信号之间存在相关性的有力指示。
可替选地或附加地,可以借助于测量仪器14的显示器44向用户展示至少一个相关量,使得测量仪器14的用户可以基于所确定的至少一个相关量决定输入信号之一是否为攻击信号。
即使关于攻击信号的最终结论不是由机器学习模块34执行的,对于用户来说,至少一个确定的相关量也比包括输入信号的长期观察的大量数据更容易处理。因此,上面描述的测量仪器14对于用户来说更易于处理。
此外,至少一个相关量是完全自动确定的,使得用于识别攻击信号的所需时间显著减少。
本文公开的某些实施例,特别是各个模块,利用电路系统(例如,一个或多个电路)以便实施本文所公开的标准、协议、方法论或技术,可操作地耦合两个或多个组件,生成信息,处理信息,分析信息、生成信号、编码/解码信号、转换信号、发送和/或接收信号、控制其它设备等。可以使用任何类型的电路系统。
在一个实施例中,电路系统除其它外包括一个或多个计算设备,诸如处理器(例如,微处理器)、中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、片上系统(SoC)等,或其任何组合,并且可以包括离散的数字或模拟电路元件或电子器件,或其组合。在一个实施例中,电路系统包括硬件电路实施方式(例如,在模拟电路系统中的实施方式、在数字电路系统中的实施方式等,以及其组合)。
在一个实施例中,电路系统包括电路和计算机程序产品的组合,该计算机程序产品具有存储在一个或多个计算机可读存储器上的软件或固件指令,电路和计算机程序产品一起工作致使设备执行本文描述的一个或多个协议、方法论或技术。在一个实施例中,电路系统包括需要软件、固件等来操作的电路,诸如,例如微处理器或微处理器的部分。在一个实施例中,电路系统包括一个或多个处理器或其部分以及附带的软件、固件、硬件等。
本申请可以引用数量和数目。除非特别说明,否则此类数量和数目不应被视为限制性的,而是与本申请相关联的可能数量或数目的示例。同样在这方面,本申请可以使用术语“多个”来引用数量或数目。在这方面,术语“多个”意指超过一个的任何数目,例如,二个、三个、四个、五个等。术语“大约”、“近似”、“接近”等,意思是规定值的正负5%。
Claims (15)
1.一种用于测试被测器件(12)的测量仪器,其中所述被测器件(12)具有至少两个测试点(20、24),
其中所述测量仪器(14)包括第一测量通道(30)、第二测量通道(32)以及机器学习模块(34),
其中所述第一测量通道(30)被配置为处理与所述至少两个测试点(20、24)中的一个相关联的第一输入信号,从而生成第一测量信号,
其中所述第二测量通道(32)被配置为处理与所述至少两个测试点(20、24)中的另一个相关联的第二输入信号,从而生成第二测量信号,
其中所述机器学习模块(34)被配置为基于所述第一测量信号和基于所述第二测量信号确定至少一个相关量,并且
其中所述至少一个相关量指示所述第一测量信号和所述第二测量信号之间的相关性。
2.根据权利要求1所述的测量仪器,其中,所述机器学习模块(34)包括人工神经网络。
3.根据权利要求2所述的测量仪器,其中,所述人工神经网络包括自编码器。
4.根据前述权利要求中任一项所述的测量仪器,其中,所述机器学习模块(34)被配置为尝试基于所述第一测量信号重构所述第二测量信号,以便确定所述至少一个相关量。
5.根据权利要求4所述的测量仪器,其中所述至少一个相关量包括重构函数,其中所述重构函数描述了所述第二测量信号对所述第一测量信号的依赖性。
6.根据前述权利要求中任一项所述的测量仪器,其中,所述第一测量通道(30)被配置为对所述第一输入信号进行预处理,使得所述第一测量信号包括关于所述第一输入信号的统计信息,和/或其中所述第二测量通道(32)被配置为对所述第二输入信号进行预处理,使得所述第二测量信号包括关于所述第二输入信号的统计信息。
7.根据权利要求6所述的测量仪器,其中,所述机器学习模块(34)被配置为基于所述统计信息确定所述至少一个相关量。
8.根据前述权利要求中任一项所述的测量仪器,其中,所述测量仪器(14)被配置为对至少一个另外的输入信号进行处理,从而生成至少一个另外的测量信号,其中所述机器学习模块(34)被配置为基于至少一个另外的测量信号确定至少一个相关量,并且其中至少一个相关量指示至少一个另外的测量信号与所述第一测量信号和所述第二测量信号中的至少一个之间的相关性。
9.根据前述权利要求中任一项所述的测量仪器,其中,所述机器学习模块(34)被配置为将所述第一测量信号和/或所述第二测量信号转换到潜在空间,以便确定所述至少一个相关量。
10.根据前述权利要求中任一项所述的测量仪器,其中所述测量仪器(14)被建立为示波器、信号分析仪或者矢量网络分析仪。
11.一种测量系统,包括根据前述权利要求中任一项所述的被测器件(12)和测量仪器(14),其中所述被测器件(12)具有至少两个测试点(20、24)。
12.根据权利要求11所述的测量系统,其中,所述被测器件(12)包括印刷电路板,其中所述印刷电路板包括所述至少两个测试点(20、24)。
13.一种用于测试被测器件(12)的信号处理方法,其中所述被测器件(12)具有至少两个测试点(20、24),所述信号处理方法包括以下步骤:
-经由第一测量通道(30)接收第一输入信号,并且经由第二测量通道(32)接收第二输入信号;
-借助于所述第一测量通道(30)处理所述第一输入信号,从而生成第一测量信号;
-借助于所述第二测量通道(32)处理所述第二输入信号,从而生成第二测量信号;以及
-借助于机器学习技术来确定指示所述第一测量信号和所述第二测量信号之间相关性的至少一个相关量。
14.根据权利要求13所述的信号处理方法,还包括以下步骤:
-尝试借助于所述机器学习技术基于所述第一测量信号重构所述第二测量信号,以便确定所述至少一个相关量。
15.根据权利要求14所述的信号处理方法,其中,所述至少一个相关量包括重构函数,其中所述重构函数描述所述第二测量信号对所述第一测量信号的依赖性。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21153097.7A EP3936877B1 (en) | 2021-01-22 | 2021-01-22 | Measurement instrument, measurement system, and signal processing method |
EP21153097.7 | 2021-01-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781423A true CN114781423A (zh) | 2022-07-22 |
CN114781423B CN114781423B (zh) | 2024-03-01 |
Family
ID=74215769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111601538.4A Active CN114781423B (zh) | 2021-01-22 | 2021-12-24 | 测量仪器、测量系统以及信号处理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220236326A1 (zh) |
EP (1) | EP3936877B1 (zh) |
CN (1) | CN114781423B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220247648A1 (en) * | 2021-02-03 | 2022-08-04 | Tektronix, Inc. | Eye classes separator with overlay, and composite, and dynamic eye-trigger for humans and machine learning |
US11923896B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transceiver tuning using machine learning |
US11923895B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transmitter tuning using machine learning and reference parameters |
US11907090B2 (en) * | 2021-08-12 | 2024-02-20 | Tektronix, Inc. | Machine learning for taps to accelerate TDECQ and other measurements |
US11940889B2 (en) * | 2021-08-12 | 2024-03-26 | Tektronix, Inc. | Combined TDECQ measurement and transmitter tuning using machine learning |
EP4145151B1 (en) * | 2022-07-18 | 2024-05-08 | Rohde & Schwarz GmbH & Co. KG | Signal processing module and measurement instrument |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160131699A1 (en) * | 2013-06-24 | 2016-05-12 | The United States Of America As Represented By The Secretary Of The Navy | Apparatus and method for integrated circuit forensics |
US20190285666A1 (en) * | 2018-03-13 | 2019-09-19 | Tektronix, Inc. | Test and Measurement Management |
CN111474408A (zh) * | 2019-01-23 | 2020-07-31 | 罗德施瓦兹两合股份有限公司 | 抖动确定方法和测量仪器 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6563298B1 (en) * | 2000-08-15 | 2003-05-13 | Ltx Corporation | Separating device response signals from composite signals |
US7352167B2 (en) * | 2006-03-24 | 2008-04-01 | Tektronix, Inc. | Digital trigger |
US8674713B2 (en) * | 2010-10-21 | 2014-03-18 | Tektronix, Inc. | Zero ampere level current data correction for a power device under test |
KR101517349B1 (ko) * | 2010-12-22 | 2015-05-04 | 주식회사 아도반테스토 | 시험기용 교정 모듈 및 시험기 |
DE102014208464A1 (de) * | 2014-02-28 | 2015-09-03 | Rohde & Schwarz Gmbh & Co. Kg | Digitales Oszilloskop und Verfahren mit paralleler Akquisition und Signalnachverarbeitung |
US10527650B2 (en) * | 2016-03-01 | 2020-01-07 | Keysight Technologies, Inc. | Measurement system having a digital edge trigger detection circuit that is capable of operating at the full signal bandwidth of the measurement system |
US20190156200A1 (en) * | 2017-11-17 | 2019-05-23 | Aivitae LLC | System and method for anomaly detection via a multi-prediction-model architecture |
EP3499732B1 (en) * | 2017-12-18 | 2020-03-11 | Rohde & Schwarz GmbH & Co. KG | Test arrangement, device and method for measuring a directed signal |
US11393560B2 (en) * | 2018-11-13 | 2022-07-19 | Recursion Pharmaceuticals, Inc. | Systems and methods for high throughput compound library creation |
US11293982B2 (en) * | 2019-03-07 | 2022-04-05 | Rohde & Schwarz Gmbh & Co. Kg | Test method and test system |
US10993647B2 (en) * | 2019-08-21 | 2021-05-04 | Micron Technology, Inc. | Drowsiness detection for vehicle control |
WO2022256713A1 (en) * | 2021-06-03 | 2022-12-08 | Tektronix, Inc. | Multi-input remote heads for sequential testing |
-
2021
- 2021-01-22 EP EP21153097.7A patent/EP3936877B1/en active Active
- 2021-12-17 US US17/554,410 patent/US20220236326A1/en active Pending
- 2021-12-24 CN CN202111601538.4A patent/CN114781423B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160131699A1 (en) * | 2013-06-24 | 2016-05-12 | The United States Of America As Represented By The Secretary Of The Navy | Apparatus and method for integrated circuit forensics |
US20190285666A1 (en) * | 2018-03-13 | 2019-09-19 | Tektronix, Inc. | Test and Measurement Management |
CN110275054A (zh) * | 2018-03-13 | 2019-09-24 | 特克特朗尼克公司 | 测试和测量管理 |
CN111474408A (zh) * | 2019-01-23 | 2020-07-31 | 罗德施瓦兹两合股份有限公司 | 抖动确定方法和测量仪器 |
Also Published As
Publication number | Publication date |
---|---|
US20220236326A1 (en) | 2022-07-28 |
EP3936877B1 (en) | 2022-12-21 |
CN114781423B (zh) | 2024-03-01 |
EP3936877A1 (en) | 2022-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781423B (zh) | 测量仪器、测量系统以及信号处理方法 | |
TWI418826B (zh) | 裝置之獲取測試資料 | |
JP3594949B2 (ja) | 電気信号評価方法 | |
US10838000B2 (en) | Method and apparatus for simultaneously testing a component at multiple frequencies | |
EP1547270A1 (en) | Aircraft multi-function wire and insulation tester | |
US4947106A (en) | Programmatically generated in-circuit test of analog to digital converters | |
US5066909A (en) | Apparatus for testing an electronic circuit having an arbitrary output waveform | |
DE102007002251A1 (de) | Verfahren zum Durchführen eines Prüfsondentests sowie Verfahren und Vorrichtung zum Detektieren von Abnormalitäten in einer Prüfsondenkarte | |
KR20070086393A (ko) | 고전압 기능부를 가진 핀 전자기기 | |
EP2905625A2 (en) | Method for probe equalization | |
US20070132619A1 (en) | Calibration circuitry | |
US10746784B2 (en) | System level health monitoring in test systems | |
DE102007007339B4 (de) | Verfahren und Vorrichtung zum Lokalisieren von Fehlern auf elektronischen Leiterplatten | |
US11821948B2 (en) | Measurement system and method of measuring a device under test | |
DE102007011817B4 (de) | Verfahren und Vorrichtung zum Lokalisieren von Fehlern auf elektronischen Leiterplatten mit kapazitivem Sensor | |
US11553568B2 (en) | Flicker measurement method and flicker measurement system | |
US3102231A (en) | White noise fault detection system | |
CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 | |
RU2447475C1 (ru) | Устройство автоматизированного тестирования параметров аналоговых, аналого-цифровых, цифроаналоговых и цифровых изделий | |
CN106649001B (zh) | Cpci总线背板测试系统 | |
EP3379274B1 (en) | Multi-level logic analyzer for analyzing multi-level digital signals and method for operating a multi-level logic analyzer for analyzing multi-level digital signals | |
CN220289663U (zh) | 一种夹具种类识别系统及夹具种类识别应用平台 | |
CN113607992B (zh) | 一种直流配电保护装置的检测波生成方法及相关装置 | |
JPH11190761A (ja) | 半導体試験装置 | |
US20240019477A1 (en) | Signal processing circuit and measurement instrument |
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 |