CN108663576A - 一种复杂环境下微弱电磁红信号检测方法 - Google Patents
一种复杂环境下微弱电磁红信号检测方法 Download PDFInfo
- Publication number
- CN108663576A CN108663576A CN201810431846.9A CN201810431846A CN108663576A CN 108663576 A CN108663576 A CN 108663576A CN 201810431846 A CN201810431846 A CN 201810431846A CN 108663576 A CN108663576 A CN 108663576A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- carried out
- detection
- sample
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种复杂电磁环境中信息设备的微弱电磁泄漏信号的快速检测,通过随机共振检测方法对微弱电磁泄漏信号进行增强和分离,并判断泄漏风险。直接对时域信号进行随机共振检测,在时域上将噪声能量转化为信号能量,增强了时域的电磁红信号,使得检测能量更弱的信号得以实现。拓宽了***结构参数的优化区间,使得***具有自适应的特点。对随机共振方法的参数寻优,从二维参数寻优降为一维参数寻优,时间复杂度降低,并采用黄金分割搜索方法,效率更高。对电磁信号的检测,经过小样本粗测和大样本细测两个阶段,提高准确性。本发明经过***验证,通过该检测***可以检测不同的电磁红信号。
Description
技术领域
本发明涉及电磁泄漏检测领域,特别地,涉及一种复杂环境下微弱电磁红信号检测方法。
背景技术
信息设备在工作时都会产生电磁辐射,这种辐射会将一些有用信息(红信息)泄漏出去,会造成严重的信息安全威胁。
对于电磁泄漏检测方法主要有常规方法和新型检测方法。
常规方法主要采用测试接收机进行检测(参考文献1、参考文献2),从频域上观测幅度较大的疑似泄漏信号,再放大扫描,判定泄漏频点。
新型检测方法已经有利用随机共振非线性***进行电磁信号检测的报道(参考文献3),初步尝试利用随机共振从频谱上进行分析,将频谱能量大的频点再展开判定,流程上与常规方法类似。但随机共振***的参数寻优范围设置是依据经验判定。
单纯对于随机共振***结构参数的寻优来说,在其他文献或专利上,通常将随机共振***参数的寻优范围设置为(0,1)。这限制了在参数的寻优范围,并不能做到全局最优。
随机共振是信号、噪声和非线性***三者之间产生的一种共振效应,通过调节输入噪声的强度或者调节***参数都可以达到随机共振,从而实现信号检测。双稳态非线性***可以 Langevin方程表示:
u(t)=s(t)+Γ(t)
V(x)为势函数:
系数a>0,b>0
整理可得
其中,Γ(t)为噪声,s(t)是信号。
通过调节***参数a,b产生随机共振,使得目标信号得到增强。
针对电磁泄漏信号检测,传统频谱检测方法的缺点主要体现在两个方面:
一是检测速度慢。利用频谱仪遍历整个频域,其速度取决于频谱仪的频点切换速度;在较粗的频谱分辨率下发现可疑频点之后,再用较细的频率分辨率进行频率判别。
二是检测的灵敏度低。采用滤波手段对信号进行降噪处理,削弱了信号的能量,只能检测能量较大的泄漏信号,无法检测能量更低的泄漏信号。
现有的采用随机共振电磁泄漏信号检测的方法,还是频谱上进行检测,与传统频谱检测法有相同的缺点;同时,在***的自适应和参数的寻优范围上还未能够做到最优。
发明内容
本发明目的在于提供一种复杂环境下微弱电磁红信号检测方法,以解决在复杂电磁环境中信息设备的微弱电磁泄漏信号的快速检测的技术问题,通过随机共振检测方法对微弱电磁泄漏信号进行增强和分离,并判断泄漏风险。
为实现上述目的,本发明提供了一种复杂环境下微弱电磁红信号检测方法,包括步骤:
(1)收集信息设备的电磁辐射信息,A/D转化后获得离散化数据;
(2)对步骤(1)获得的离散化数据进行预处理;
(3)利用随机共振***的非线性特点对步骤(2)预处理后的数据进行能量转换,强化待检信号;
(4)数值化求解;
(5)进行参数寻优;
(6)确定最优结构参数,输出数据;
(7)对步骤(6)的输出数据进行特征提取,并与电磁信号样本库的样本数据进行互相关计算,进行小样本的初步匹配对比;
(8)将步骤(6)的最优结构参数代入随机共振***,采集更长时间的数据,进行非线性计算,将随机共振***的输出数据与电磁信号样本库进行大样本量的数据匹配比对,确认电磁红信号特征。
作为优选的技术方案之一,所述检测方法还包括步骤(9),将步骤(8)的数据进行信息重构、信息熵计算等处理,得到信息设备的风险评估等级。
作为优选的技术方案之一,具体步骤如下:
(1)通过天线收集信息设备的电磁辐射信息,按照检测频段选择对应天线型号,经过高速数据采集卡进行A/D转化,采样率为fs,获得离散化数据,表示为un,n=1,2,…N,N为采样点数;
(2)对步骤(1)采集的离散化数据进行预处理,获取最大幅度|U|=max(un),
取
计算***结构参数a,b的初值a0,b0;
(3)利用随机共振***的非线性特点对步骤(2)预处理后的数据进行能量转换,将自由空间中的部分电磁噪声能量转化为检测目标信号的能量,对待检信号进行强化,提高检测灵敏度;
(4)利用四阶龙格库塔方法进行数值化求解:
k1=h(axn-bxn 3+un)
k4=h[a(xn+k3)-b(xn+k3)3+un+1] 式2
式2中xn为第n次的***输出,k1为起始点斜率,k2,k3为中间斜率,k4为终点斜率,系数a=a0,b=b0;
(5)利用黄金分割搜索方法进行参数寻优,H的搜索范围为(0,|U|)
根据式1和式3,计算新的***参数a,b;
(6)通过调节随机共振***的结构参数a,b,求得最优结构参数a*,b*,在样本集合里做到参数的全局最优,输出数据xn;
(7)对步骤(6)的***输出数据xn进行特征提取,提取周期、占空比等信息,并与电磁信号样本库的样本数据进行互相关计算,进行小样本的初步匹配对比;
(8)将步骤(6)的最优结构参数a*,b*代入随机共振***,采集更长时间的数据,进行非线性计算,将随机共振***的输出数据xn与电磁信号样本库进行大样本量的数据匹配比对,确认电磁红信号特征。
作为进一步优选的技术方案之一,所述检测方法还包括步骤(9),将步骤(8)的数据进行信息重构、信息熵计算等处理,得到信息设备的风险评估等级。
本发明具有以下有益效果:
本发明实现了在复杂电磁环境中信息设备的微弱电磁泄漏信号的快速检测,通过随机共振检测方法对微弱电磁泄漏信号进行增强和分离,并判断泄漏风险。具体如下:
(1)直接对时域信号进行随机共振检测,在时域上将噪声能量转化为信号能量,增强了时域的电磁红信号,使得检测能量更弱的信号得以实现。
(2)拓宽了***结构参数(即a,b)的优化区间,不限于(0,1),而是由H与L决定即由混合信号的幅度决定,使得***具有自适应的特点。
(3)对随机共振方法的参数寻优,从二维参数(即a,b)寻优降为一维参数(即H)寻优,时间复杂度从O(n^2)降为O(n^1),并采用黄金分割搜索方法,效率更高。
(4)对电磁信号的检测,经过小样本粗测和大样本细测两个阶段,提高准确性。
本发明经过***验证,通过该检测***可以检测不同的电磁红信号。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为接口的同步信号的检测;
图2为屏幕的显示字体大小检测。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
一种复杂环境下微弱电磁红信号检测方法,具体步骤如下:
(1)通过天线收集信息设备的电磁辐射信息,按照检测频段选择对应天线型号,经过高速数据采集卡进行A/D转化,采样率为fs,获得离散化数据,表示为un,n=1,2,…N,N为采样点数;
(2)对步骤(1)采集的离散化数据进行预处理,获取最大幅度|U|=max(un),
取
计算***结构参数a,b的初值a0,b0;
(3)利用随机共振***的非线性特点对步骤(2)预处理后的数据进行能量转换,将自由空间中的部分电磁噪声能量转化为检测目标信号的能量,对待检信号进行强化,提高检测灵敏度;
(4)利用四阶龙格库塔方法进行数值化求解:
k1=h(axn-bxn 3+un)
k4=h[a(xn+k3)-b(xn+k3)3+un+1]式2
式2中xn为第n次的***输出,k1为起始点斜率,k2,k3为中间斜率,k4为终点斜率,系数a=a0,b=b0;
(5)利用黄金分割搜索方法进行参数寻优,H的搜索范围为(0,|u|)
根据式1和式3,计算新的***参数a,b;
(6)通过调节随机共振***的结构参数a,b,求得最优结构参数a*,b*,在样本集合里做到参数的全局最优,输出数据xn;
(7)对步骤(6)的***输出数据xn进行特征提取,提取周期、占空比等信息,并与电磁信号样本库的样本数据进行互相关计算,进行小样本的初步匹配对比;
(8)将步骤(6)的最优结构参数a*,b*代入随机共振***,采集更长时间的数据,进行非线性计算,将随机共振***的输出数据xn与电磁信号样本库进行大样本量的数据匹配比对,确认电磁红信号特征。
(9)将步骤(8)的数据进行信息重构、信息熵计算等处理,得到信息设备的风险评估等级。
本发明经过***验证,通过该检测***可以检测不同的电磁红信号,图1为接口的同步信号的检测,图2为屏幕的显示字体大小检测。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,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。
【参考文献】
1.赵志强,刘泰康,姜云.计算机显卡电磁信息泄漏的检测与分析.计算机安全.2013.
2.赵林,刘泰康,姜云.计算机输入设备的频谱检测与分析.计算机安全.2013.
3.卫蔚,石森.电磁信号检测的随机共振方法与应用研究.工业计量.2017。
Claims (4)
1.一种复杂环境下微弱电磁红信号检测方法,其特征在于,包括步骤:
(1)收集信息设备的电磁辐射信息,A/D转化后获得离散化数据;
(2)对步骤(1)获得的离散化数据进行预处理;
(3)利用随机共振***的非线性特点对步骤(2)预处理后的数据进行能量转换,强化待检信号;
(4)数值化求解;
(5)进行参数寻优;
(6)确定最优结构参数,输出数据;
(7)对步骤(6)的输出数据进行特征提取,并与电磁信号样本库的样本数据进行互相关计算,进行小样本的初步匹配对比;
(8)将步骤(6)的最优结构参数代入随机共振***,采集更长时间的数据,进行非线性计算,将随机共振***的输出数据与电磁信号样本库进行大样本量的数据匹配比对,确认电磁红信号特征。
2.根据权利要求1所述的检测方法,其特征在于,所述检测方法还包括步骤(9),将步骤(8)的数据进行信息重构、信息熵计算等处理,得到信息设备的风险评估等级。
3.根据权利要求1所述的检测方法,其特征在于,具体步骤如下:
(1)通过天线收集信息设备的电磁辐射信息,按照检测频段选择对应天线型号,经过高速数据采集卡进行A/D转化,采样率为fs,获得离散化数据,表示为un,n=1,2,…N,N为采样点数;
(2)对步骤(1)采集的离散化数据进行预处理,获取最大幅度|U|=max(un),
取
计算***结构参数a,b的初值a0,b0;
(3)利用随机共振***的非线性特点对步骤(2)预处理后的数据进行能量转换,将自由空间中的部分电磁噪声能量转化为检测目标信号的能量,对待检信号进行强化,提高检测灵敏度;
(4)利用四阶龙格库塔方法进行数值化求解:
k1=h(axn-bxn 3+un)
k4=h[a(xn+k3)-b(xn+k3)3+un+1] 式2
式2中xn为第n次的***输出,k1为起始点斜率,k2,k3为中间斜率,k4为终点斜率,系数a=a0,b=b0;
(5)利用黄金分割搜索方法进行参数寻优,H的搜索范围为(0,|U|)
根据式1和式3,计算新的***参数a,b;
(6)通过调节随机共振***的结构参数a,b,求得最优结构参数a*,b*,在样本集合里做到参数的全局最优,输出数据xn;
(7)对步骤(6)的***输出数据xn进行特征提取,提取周期、占空比等信息,并与电磁信号样本库的样本数据进行互相关计算,进行小样本的初步匹配对比;
(8)将步骤(6)的最优结构参数a*,b*代入随机共振***,采集更长时间的数据,进行非线性计算,将随机共振***的输出数据xn与电磁信号样本库进行大样本量的数据匹配比对,确认电磁红信号特征。
4.根据权利要求3所述的检测方法,其特征在于,所述检测方法还包括步骤(9),将步骤(8)的数据进行信息重构、信息熵计算等处理,得到信息设备的风险评估等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810431846.9A CN108663576A (zh) | 2018-05-08 | 2018-05-08 | 一种复杂环境下微弱电磁红信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810431846.9A CN108663576A (zh) | 2018-05-08 | 2018-05-08 | 一种复杂环境下微弱电磁红信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108663576A true CN108663576A (zh) | 2018-10-16 |
Family
ID=63778813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810431846.9A Pending CN108663576A (zh) | 2018-05-08 | 2018-05-08 | 一种复杂环境下微弱电磁红信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108663576A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633289A (zh) * | 2018-12-28 | 2019-04-16 | 集美大学 | 一种基于倒谱和卷积神经网络的电磁红信息检测方法 |
CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
CN111814578A (zh) * | 2020-06-15 | 2020-10-23 | 南京森林警察学院 | 超低频多普勒信号频率提取方法 |
CN112307931A (zh) * | 2020-10-26 | 2021-02-02 | 西安电子科技大学 | 一种基于模板匹配技术的电磁信息泄漏快速检测方法 |
CN117332410A (zh) * | 2023-10-25 | 2024-01-02 | 北京航空航天大学 | 一种基于信息熵特征的电磁泄漏红黑信号辨识方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
CN103699513A (zh) * | 2013-12-20 | 2014-04-02 | 中国科学技术大学 | 一种基于多尺度噪声调节的随机共振方法 |
CN104155518A (zh) * | 2014-07-31 | 2014-11-19 | 桂林电子科技大学 | 一种基于随机共振的信号频率检测方法 |
CN104298878A (zh) * | 2014-10-14 | 2015-01-21 | 天津工业大学 | 一种获取随机共振***最优参数的自适应搜寻方法 |
CN104678768A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
CN105823492A (zh) * | 2016-03-18 | 2016-08-03 | 北京卫星环境工程研究所 | 一种洋流干扰中微弱目标信号提取方法 |
CN106408087A (zh) * | 2016-09-18 | 2017-02-15 | 厦门大学 | 面向水下弱信号检测的强化学习自适应随机共振方法 |
CN107340056A (zh) * | 2017-06-29 | 2017-11-10 | 西北工业大学 | 一种匹配随机共振检测方法 |
CN107809268A (zh) * | 2017-11-09 | 2018-03-16 | 电子科技大学 | 一种基于随机共振的超宽带信号波形提取方法 |
CN107870005A (zh) * | 2016-09-27 | 2018-04-03 | 重庆邮电大学 | 过采样下经验模态分解的归一化随机共振微弱信号检测 |
CN107871109A (zh) * | 2016-09-27 | 2018-04-03 | 重庆邮电大学 | 色噪声下三稳态随机共振的微弱信号检测方法 |
-
2018
- 2018-05-08 CN CN201810431846.9A patent/CN108663576A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
CN103699513A (zh) * | 2013-12-20 | 2014-04-02 | 中国科学技术大学 | 一种基于多尺度噪声调节的随机共振方法 |
CN104155518A (zh) * | 2014-07-31 | 2014-11-19 | 桂林电子科技大学 | 一种基于随机共振的信号频率检测方法 |
CN104298878A (zh) * | 2014-10-14 | 2015-01-21 | 天津工业大学 | 一种获取随机共振***最优参数的自适应搜寻方法 |
CN104678768A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
CN105823492A (zh) * | 2016-03-18 | 2016-08-03 | 北京卫星环境工程研究所 | 一种洋流干扰中微弱目标信号提取方法 |
CN106408087A (zh) * | 2016-09-18 | 2017-02-15 | 厦门大学 | 面向水下弱信号检测的强化学习自适应随机共振方法 |
CN107870005A (zh) * | 2016-09-27 | 2018-04-03 | 重庆邮电大学 | 过采样下经验模态分解的归一化随机共振微弱信号检测 |
CN107871109A (zh) * | 2016-09-27 | 2018-04-03 | 重庆邮电大学 | 色噪声下三稳态随机共振的微弱信号检测方法 |
CN107340056A (zh) * | 2017-06-29 | 2017-11-10 | 西北工业大学 | 一种匹配随机共振检测方法 |
CN107809268A (zh) * | 2017-11-09 | 2018-03-16 | 电子科技大学 | 一种基于随机共振的超宽带信号波形提取方法 |
Non-Patent Citations (3)
Title |
---|
卫蔚等: "电磁信号检测的随机共振方法与应用研究", 《工业计量》 * |
宋巨龙等: "基于黄金分割的全局最优化方法", 《计算机工程与应用》 * |
明廷锋等: "随机共振模型结构参数自寻优方法与应用", 《天津大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633289A (zh) * | 2018-12-28 | 2019-04-16 | 集美大学 | 一种基于倒谱和卷积神经网络的电磁红信息检测方法 |
CN110490154A (zh) * | 2019-08-23 | 2019-11-22 | 集美大学 | 一种多维泄漏信息检测方法、终端设备及存储介质 |
CN111814578A (zh) * | 2020-06-15 | 2020-10-23 | 南京森林警察学院 | 超低频多普勒信号频率提取方法 |
CN112307931A (zh) * | 2020-10-26 | 2021-02-02 | 西安电子科技大学 | 一种基于模板匹配技术的电磁信息泄漏快速检测方法 |
CN117332410A (zh) * | 2023-10-25 | 2024-01-02 | 北京航空航天大学 | 一种基于信息熵特征的电磁泄漏红黑信号辨识方法 |
CN117332410B (zh) * | 2023-10-25 | 2024-04-12 | 北京航空航天大学 | 一种基于信息熵特征的电磁泄漏红黑信号辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108663576A (zh) | 一种复杂环境下微弱电磁红信号检测方法 | |
Liu et al. | Spectral decomposition for hydrocarbon detection based on VMD and Teager–Kaiser energy | |
CN103488941B (zh) | 硬件木马检测方法及*** | |
Cheng | A new model for quantifying anisotropic scale invariance and for decomposition of mixing patterns | |
Zhang et al. | 2-D entropy and short-time Fourier transform to leverage GPR data analysis efficiency | |
CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN109975273A (zh) | 一种基于激光诱导击穿光谱的岩石分类方法 | |
CN107390259A (zh) | 一种基于svd和svm的核素识别方法 | |
CN109885903A (zh) | 一种基于模型的地面核磁共振信号尖峰噪声去除方法 | |
CN108304770A (zh) | 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法 | |
CN104143115A (zh) | 地质雷达技术实现土壤含水性分类识别的技术方法 | |
Li et al. | Knock detection in spark ignition engines using a nonlinear wavelet transform of the engine cylinder head vibration signal | |
KR101362451B1 (ko) | 다특성 기반의 지뢰 분류 결정 방법 및 이를 적용한 장치 | |
CN113378680A (zh) | 一种拉曼光谱数据的智能建库方法 | |
CN107764797A (zh) | 一种基于低秩张量算法的拉曼光谱图像数据预处理方法 | |
Perrin et al. | Multisensor fusion in the frame of evidence theory for landmines detection | |
Qu et al. | Study on the algorithm of vibration source identification based on the optical fiber vibration pre-warning system | |
CN105807204A (zh) | 基于频谱细化的硬件木马检测方法 | |
Qiuming | Multifractal modelling and spectrum analysis: Methods and applications to gamma ray spectrometer data from southwestern Nova Scotia, Canada | |
Marmarelis et al. | High-order signal processing for ultra-wideband radar signals | |
CN116610935A (zh) | 一种基于发动机振动信号多模态分析的机械故障检测方法 | |
CN108459209A (zh) | 一种计算机视频电磁泄漏同步参数提取方法和装置 | |
Liu et al. | CNN-based Super-resolution Full-waveform LiDAR | |
Xianlei et al. | A Multi-frequency GPR data fusion method for underground disease detection | |
Nie et al. | Fast extraction for Brillouin frequency shift in BOTDA system |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |