CN108830135A - 计算机电磁泄漏信号识别方法、装置及存储介质 - Google Patents
计算机电磁泄漏信号识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108830135A CN108830135A CN201810379251.3A CN201810379251A CN108830135A CN 108830135 A CN108830135 A CN 108830135A CN 201810379251 A CN201810379251 A CN 201810379251A CN 108830135 A CN108830135 A CN 108830135A
- Authority
- CN
- China
- Prior art keywords
- conditional probability
- probability density
- electromagnetic leakage
- leakage signal
- wavelet coefficient
- 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
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于小波系数的计算机电磁泄漏信号识别方法、装置及存储介质,所述识别方法包括:计算当前监测的电磁泄漏信号的频谱;对所述电磁泄漏信号的频谱进行小波分解,确定所述频谱的小波系数的参数;利用预先训练的条件概率密度分类器,得到所述小波系数的参数对应不同计算机主机的条件概率密度,根据所述条件概率密度识别出所述电磁泄漏信号对应的计算机主机。本发明提出的识别方法,能够自动识别电磁泄漏信号对应的计算机主机。
Description
技术领域
本发明涉及计算机安全防护技术领域,尤其涉及一种基于小波系数的计算 机电磁泄漏信号识别方法、装置及存储介质。
背景技术
计算机电磁信息泄漏技术(简称:TEMPEST技术)是电子信息设备在工作 时会以电磁波或者声音等形式泄漏辐射波,该辐射波可以耦合到附近的导体传 播到半英里以外,并会通过一定的方式被截获与存储下来,进行分析解码后还能 还原出辐射源设备所处理的电磁信息。电磁泄漏通过有可能成为一种攻击手段, 这种攻击可以在无网络连接情况下远距离实现,对信息安全构成极大的威胁,因 此受到了国内外信息安全领域的广泛关注。与此相关联的攻击和防护手段也成 为了多领域研究的焦点。
计算机作为非常重要的信息处理设备,是电磁泄漏问题的典型设备。计算机 会通过电磁泄漏信号泄漏显示器显示的内容,攻击者可以截获该信号并进行重 建,造成严重的失密风险。此外,计算机还会泄漏设备本身的一些硬件信息,这 些信息同样是攻击者关心的,因为攻击者可以利用这些信息对辐射计算机进行 个体识别,即辐射源识别,进而迅速锁定攻击目标。而对于防护者来说,同样可 以通过电磁泄漏信号识别技术对计算机个体进行识别,及时发现信息泄漏计算 机,有的放矢地进行防护,避免过度防护和资源浪费。因此,如何有效实现计算 机电磁泄漏信号的识别已成为信息安全领域和信号处理领域共同关心的问题和 迫切需要研究的课题。
目前电磁泄漏信号识别都是通过人工观察的方法进行识别。然而这种方法 依赖人工经验,缺乏适用范围统一、准确的特征提取方法和自动识别方法。
发明内容
本发明提供一种基于小波系数的计算机电磁泄漏信号识别方法、装置及存 储介质,用于自动识别电磁泄漏信号对应的计算机主机。
依据本发明的一个方面,提供一种基于小波系数的计算机电磁泄漏信号识 别方法,包括:
计算当前监测的电磁泄漏信号的频谱;
对所述电磁泄漏信号的频谱进行小波分解,确定所述频谱的小波系数的参 数;
利用预先训练的条件概率密度分类器,得到所述小波系数的参数对应不同 计算机主机的条件概率密度,根据所述条件概率密度识别出所述电磁泄漏信号 对应的计算机主机。
可选地,本发明所述方法中,所述对电磁泄漏信号的频谱进行小波分解,确 定所述频谱的小波系数的参数,包括:
将所述电磁泄漏信号的频谱转换成小波系数;
计算所述小波系数的指数分布的极大似然估计,得到所述小波系数的参数。
可选地,本发明所述方法中,所述将电磁泄漏信号的频谱转换成小波系数, 包括:
采用离散小波变换将所述电磁泄漏信号的频谱转换为对应的二维离散Haar 小波。
可选地,本发明所述方法中,所述根据条件概率密度识别出所述电磁泄漏信 号对应的计算机主机,包括:
将得到的各所述小波系数的参数对应不同计算机主机的条件概率密度进行 比较,若所述小波***的参数对应某台计算机主机的条件概率密度最大,则该计 算机主机即所述电磁泄漏信号对应的计算机主机。
可选地,本发明所述方法中,所述利用预先训练得到的条件概率密度分类器, 包括:
选取多个不同计算机主机输出的若干组电磁泄漏信号作为样本数据,利用 条件概率密度函数对所述样本数据进行分类训练,得到条件概率密度分类器。
依据本发明的另一个方面,提供一种基于小波系数的计算机电磁泄漏信号 识别装置,包括:
信号处理模块,用于计算当前监测的电磁泄漏信号的频谱;
数据处理模块,用于对所述电磁泄漏信号的频谱进行小波分解,确定所述频 谱的小波系数的参数;
信号识别模块,用于利用预先训练的条件概率密度分类器,得到所述小波系 数的参数对应不同计算机主机的条件概率密度,根据所述条件概率密度识别出 所述电磁泄漏信号对应的计算机主机。
可选地,本发明所述装置中,所述数据处理模块用于将所述电磁泄漏信号的 频谱转换成小波系数;计算所述小波系数的指数分布的极大似然估计,得到所述 小波系数的参数。
可选地,本发明所述装置中,所述信号识别模块,用于将得到的各所述小波 系数的参数对应不同计算机主机的条件概率密度进行比较,若所述小波系数的 参数对应某台计算机主机的条件概率密度最大,则该计算机主机即所述电磁泄 漏信号对应的计算机主机。
可选地,本发明所述装置中,还包括分类训练模块,
所述分类训练模块,用于选取多个不同计算机主机输出的若干组电磁泄漏 信号作为样本数据,利用条件概率密度函数对所述样本数据进行分类训练,得到 条件概率密度分类器。
依据本发明的第三个方面,提供一种计算机可读存储介质,所述计算机可读 存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个 处理器执行,以实现本发明基于小波系数的计算机电磁泄漏信号识别方法的步 骤。
本发明的有益效果:
根据本发明提出的基于小波系数的计算机电磁泄漏信号识别方法、装置及 存储介质,可以对计算机电磁泄漏信号进行自动识别,识别准确率较高。且本发 明在识别时不需要对计算机电磁泄漏信号进行重建,可以针对一维信号进行自 动识别。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术 手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、 特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领 域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不 认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。 在附图中:
图1为本发明第一实施例提供的基于小波系数的计算机电磁泄漏信号识别 方法的流程图;
图2为本发明第一实施例提供电磁泄漏信号的频谱进行小波分解,确定所 述频谱的小波系数的参数流程图;
图3为本发明小波系数统计分布的拟合结果;
图4为本发明第一实施例训练的小波系数的参数在四台不同计算机主机下 的条件概率密度曲线图;
图5a为本发明第一实施例Think Center计算机主机电磁泄漏信号的频谱图;
图5b为本发明第一实施例DELL OPTIPLEX GX520计算机主机电磁泄漏 信号的频谱图;
图5c为本发明第一实施例DELL OPTIPLEX 7020-1计算机主机电磁泄漏信 号的频谱图;
图5d为本发明第一实施例DELL OPTIPLEX 7020-2计算机主机电磁泄漏信 号的频谱;
图6为本发明第二实施例提供的基于小波系数的计算机电磁泄漏信号识别 装置的原理框图;
图7为本发明第二实施例提供的基于小波系数的计算机电磁泄漏信号识别 装置设有训练模块的原理框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了 本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被 这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本 公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的第一实施例中,提供一种基于小波系数的计算机电磁泄漏信号 识别方法,如图1所示,包括如下步骤:
步骤S100:计算当前监测的电磁泄漏信号的频谱;
步骤S200:对所述电磁泄漏信号的频谱进行小波分解,确定所述频谱的 小波系数的参数;
步骤S300:利用预先训练的条件概率密度分类器,得到所述小波系数的 参数对应不同计算机主机的条件概率密度,根据所述条件概率密度识别出所述 电磁泄漏信号对应的计算机主机。
本发明提出的基于小波系数的计算机电磁泄漏信号识别方法(SD算法), 该算法利用小波系数来表述电磁泄漏信号频谱的形状,通过分析小波系数的统 计分布来实现不同计算机主机的识别,并利用条件概率密度分类器实现了计算 机主机的自动检测。
在本发明的一个具体实施例中,步骤S100采用傅里叶变换计算接收到的电 磁泄漏信号的频谱。
步骤S200对电磁泄漏信号的频谱进行小波分解,确定所述频谱的小波系数 的参数,如图2所示,包括:
步骤S201:将所述电磁泄漏信号的频谱转换成小波系数;
步骤S202:计算所述小波系数的指数分布的极大似然估计,得到所述小波 系数的参数。
图3是小波系数统计分布的拟合结果,从图3中可以看出,指数分布可以最 好地拟合小波系数的直方图,因此本发明采用小波系数的指数分布的参数来识 别计算机主机。
可选的,本实施例将电磁泄漏信号的频谱转换成小波系数,包括:
采用离散小波变换将所述电磁泄漏信号的频谱转换为对应的二维离散Haar 小波。本实施例计算信号频谱的小波系数选择二维离散Haar,二维离散Haar最 利于计算机主机的识别。
步骤S300中根据条件概率密度识别出所述电磁泄漏信号对应的计算机主 机,包括:
将得到的各所述小波系数的参数对应不同计算机主机的条件概率密度进行 比较,若所述小波***的参数对应某台计算机主机的条件概率密度最大,则该 计算机主机即所述电磁泄漏信号对应的计算机主机。本发明主要判断观测的电 磁泄漏信号的信号源,对于一组观测信号来说,只有当它来自某台计算机主机 的条件概率密度函数(PDF)是最大的情况下,才说明这组观测信号来自于这 台计算机主机。
在本发明的一可选实施例中,所述利用预先训练得到的条件概率密度分类 器,包括:
选取多个不同计算机输出的若干组电磁泄漏信号作为样本数据,利用条件 概率密度函数对所述样本数据进行分类训练,得到条件概率密度分类器。
本实施例采用贝叶斯分类器,通过训练数据获得了小波系数的参数的条件 概率密度,得到条件概率密度分类器,该条件概率密度分类器实现了计算机主机 的自动检测。本发明还可以采用其他的分类器,对此不作进一步限制。
本实施例中训练数据由四台不同计算机主机共同产生的400组电磁泄漏信 号组成的。这四台主机的类型分别为Think Center,DELL OPTIPLEX GX520和 DELL OPTIPLEX7020。训练数据的取样考虑了相同品牌和不同品牌的计算机主 机。同时,为了进一步区分相同型号的主机,提高了本发明识别的准确率,采用 了两台相同型号的计算机主机DELLOPTIPLEX 7020,为了区分这两台计算机主 机分别用DELL OPTIPLEX 7020-1和DELLOPTIPLEX 7020-2表示。以每台计 算机主机产生100组电磁泄漏信号为例。本实施例中实验环境搭建采用对数周 期天线置于离计算机1m的位置,正对着计算机显示器中心。对数周期天线型号 为ZN30505E,频率范围为30~3000MHz,该对数周期天线的尺寸信息如下: 845mm×670mm×1440mm(宽×高×长),重量约为5kg。对数周期天线连接到 数据采集器上,该采集器可以为采集卡,数字示波器或者频谱仪,本实施例采用 数字示波器,该数字示波器的型号为Tektronix DPO 7254。取500MHz为采样率。 通过训练数据得到小波系数的参数在不同计算机主机下的条件概率密度曲线 (PDF),如图4所示。对于训练数据采用多少台计算机主机,每台计算机主机 发出多少组电磁泄漏信号本实施例不作进一步地限制。
下面通过具体示例,对本发明实施例的实施过程进行详细说明。
示例:
第一步,计算当前监测接收到的电磁泄漏信号的频谱,如果f(t)是t的周期 函数,且t满足狄里赫莱条件,则其傅里叶变换为:
第二步,通过小波分解,计算信号频谱F(ω)的小波系数,这里选择二维离散Haar,信号频谱F(ω)可表式为小波级数:
其中ψj,k(ω)为小波函数,bj,k为小波系数,下面利用现有的Mallat算法来计算bj,k, 由现有的多分辨率分析的双尺度方程,即
其中φj,k(ω)为尺度函数,{hk},{gk}∈l2(R)。对某整数J≥0,设x[n]是使得 x[n]=F(n/2J)的F(ω)的抽样信号,而bj,k=<F(ω),ψj,k(ω)>,cj,k=<F(ω),φj,k(ω)>,则对 j≤J,有
第三步,计算小波系数bj,k的指数分布的极大似然估计,公式如下,获得小波 系数的参数μ;
第四步,为了实现计算机主机的自动检测,采用贝叶斯分类器,通过训练 数据获得了小波系数的参数μ的条件概率密度,μ0表示当前观测电磁泄漏信号 的μ,通过贝叶斯分类器的训练数据(对照图4)查找μ0的条件概率密度 f(μ=μ0|Ci),i=1,2,3,4.,得到f(μ=μ0|C1),f(μ=μ0|C2),f(μ=μ0|C3)和f(μ=μ0|C4), 其中,Ci代表不同的主机,f(μ=μ0|Ci)代表μ0来自主机Ci的条件概率密度。
第五步,比较f(μ=μ0|C1),f(μ=μ0|C2),f(μ=μ0|C3)和f(μ=μ0|C4),并获得小波系数的参数μ的条件概率密度最大值。
第六步,得到f(μ=μ0|Ci)的最大值对应的电磁泄漏信号的信号源,即为正 确的计算机主机,该计算机主机就是发出该电磁泄漏信号的计算机。
对本发明基于小波系数的计算机电磁泄漏信号识别方法进行测试,采用 ThinkCenter,DELL OPTIPLEX GX520,DELL OPTIPLEX 7020-1和DELL OPTIPLEX 7020-2这四台计算机主机显示相同的图像,该图像是一副充满字母 “H”的图像,如图5a、图5b、图5c、图5d所示,该四幅图分别是这四台计算 机主机电磁泄漏信号的频谱图,由图中可以看出,不同计算机主机的频谱的变 化趋势或者说形状不同。
对本发明接收到的四百组测试数据进行测试,每台计算机主机包含100组 数据,需要说明这里的测试数据不同于前面用到的训练数据。识别结果如表1所 示。
检测概率(POD,Probability of Detection)和虚警概率(FAR,False Alarmrate) 的定义如下,
POD=TruePositives/(TruePositives+FalseNegatives) (6)
FAR=FalsePositives/(FalsePositives+TureNegatives) (7)
其中,“Positive”是指识别结果为正确的计算机主机,“Negative”是指识别结 果为不正确的计算机主机,“True”是指真实的,“False”是指错误。在表1中, 记录了TruePositive(TP),False Negative(FN),False Positive(FP),True Negative (TN)以及POD和FAR。
表1
从表1中可以看出,对于不同型号的计算机主机识别正确率达90%以上, 对于相同型号的不同计算机主机识别正确率也能够达到89%以上,因此采用本 发明识别方法(SD算法)可以较为准确地识别不同的计算机主机。
在本发明的第二实施例中,提供一种基于小波系数的计算机电磁泄漏信号 识别装置,如图6所示,包括:
信号处理模块1,用于计算当前监测的电磁泄漏信号的频谱;
数据处理模块2,用于对所述电磁泄漏信号的频谱进行小波分解,确定所 述频谱的小波系数的参数;
信号识别模块3,用于利用预先训练的条件概率密度分类器,得到所述小 波系数的参数对应不同计算机主机的条件概率密度,根据所述条件概率密度识 别出所述电磁泄漏信号对应的计算机主机。
在本发明的一个具体实施例中,信号处理模块1利用傅里叶变换计算将接 收到的电磁泄漏信号转换成电磁泄漏信号的频谱。
数据处理模块2用于将经信号处理模块1处理后得到的电磁泄漏信号的频谱 转换成小波系数;计算所述小波系数的指数分布的极大似然估计,得到所述小 波系数的参数。因为指数分布可以最好地拟合小波系数的直方图,因此本发明 采用小波系数的指数分布的参数来识别计算机主机。
可选地,本实施例将电磁泄漏信号的频谱转换成小波系数,包括:采用离 散小波变换将所述电磁泄漏信号的频谱转换为对应的二维离散Haar小波。计算 信号频谱的小波系数选择二维离散Haar,二维离散Haar最利于计算机主机的识 别。
所述信号识别模块3,用于将经数据处理模块2处理后得到的小波系数的参 数对应不同计算机主机的条件概率密度进行比较,若所述小波系数的参数对应 某台计算机主机的条件概率密度最大,则该计算机主机即发出该电磁泄漏信号 的计算机主机。本发明主要判断观测的电磁泄漏信号的信号源,对于一组观测 信号来说,只有当它来自某台计算机主机的条件概率密度函数(PDF)是最大 的情况下,才说明这组观测信号来自于这台计算机主机。
在本发明的一可选实施例中,如图7所示,还包括分类训练模块4,
所述分类训练模块4,用于选取多个不同计算机主机输出的若干组电磁泄漏 信号作为样本数据,利用条件概率密度函数对所述样本数据进行分类训练,得到 条件概率密度分类器。本实施例采用贝叶斯分类器,分类训练模块4通过训练 数据获得了小波系数的参数的条件概率密度,得到条件概率密度分类器,该条件 概率密度分类器实现了计算机主机的自动检测。本发明还可以采用其他的分类 器,对此不作进一步限制。
本实施例中训练数据由四台不同计算机主机共同产生的400组电磁泄漏信 号组成的。这四台主机的类型分别为Think Center,DELL OPTIPLEX GX520和 DELL OPTIPLEX7020。训练数据的取样考虑了相同品牌和不同品牌的计算机主 机。同时,为了进一步区分相同型号的主机,提高了本发明识别的准确率,采用 了两台相同型号的计算机主机DELLOPTIPLEX 7020,为了区分这两台计算机主 机分别用DELL OPTIPLEX 7020-1和DELLOPTIPLEX 7020-2表示。以每台计 算机主机产生100组电磁泄漏信号为例。本实施例中实验环境搭建采用对数周 期天线置于离计算机1m的位置,正对着计算机显示器中心。对数周期天线型号 为ZN30505E,频率范围为30–3000MHz,该对数周期天线的尺寸信息如下: 845mm×670mm×1440mm(宽×高×长),重量约为5kg。对数周期天线连接到 数据采集器上,该采集器可以为采集卡,数字示波器或者频谱仪,本实施例采用 数字示波器,该数字示波器的型号为Tektronix DPO 7254。取500MHz为采样率。 通过训练数据得到小波系数的参数在不同计算机主机下的条件概率密度曲线 (PDF),对于训练数据采用多少台计算机主机,每台计算机主机发出多少组电 磁泄漏信号本实施例不作进一步地限制。
本发明提出的基于小波系数的计算机电磁泄漏信号识别装置,该装置利用 小波系数来表述电磁泄漏信号频谱的形状,通过分析小波系数的统计分布来精 确实现不同计算机主机的识别,并利用条件概率密度分类器实现了计算机主机 的自动检测。
在本发明的第三实施例中,提供一种计算机可读存储介质,所述计算机可 读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多 个处理器执行,以实现基于小波系数的计算机电磁泄漏信号识别方法的步骤。 该基于小波系数的计算机电磁泄漏信号识别方法,包括如下步骤:
步骤S100:计算当前监测的电磁泄漏信号的频谱;
步骤S200:对所述电磁泄漏信号的频谱进行小波分解,确定所述频谱的 小波系数的参数;
步骤S300:利用预先训练的条件概率密度分类器,得到所述小波系数的 参数对应不同计算机主机的条件概率密度,根据所述条件概率密度识别出所述 电磁泄漏信号对应的计算机主机。
由于在第一实施例中已经对基于小波系数的计算机电磁泄漏信号识别方法 做了具体说明,故本实施例在此不再赘述。
本实施例中,所述的存储介质可以包括但不限于为:ROM、RAM、磁盘 或光盘等。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实 施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬 件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方 案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包 括若干指令用以使得一台终端执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述 的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本 领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保 护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种基于小波系数的计算机电磁泄漏信号识别方法,其特征在于,包括:
计算当前监测的电磁泄漏信号的频谱;
对所述电磁泄漏信号的频谱进行小波分解,确定所述频谱的小波系数的参数;
利用预先训练的条件概率密度分类器,得到所述小波系数的参数对应不同计算机主机的条件概率密度,根据所述条件概率密度识别出所述电磁泄漏信号对应的计算机主机。
2.如权利要求1所述的方法,其特征在于,所述对电磁泄漏信号的频谱进行小波分解,确定所述频谱的小波系数的参数,包括:
将所述电磁泄漏信号的频谱转换成小波系数;
计算所述小波系数的指数分布的极大似然估计,得到所述小波系数的参数。
3.如权利要求2所述的方法,其特征在于,所述将电磁泄漏信号的频谱转换成小波系数,包括:
采用离散小波变换将所述电磁泄漏信号的频谱转换为对应的二维离散Haar小波。
4.如权利要求1所述的方法,其特征在于,所述根据条件概率密度识别出所述电磁泄漏信号对应的计算机主机,包括:
将得到的各所述小波系数的参数对应不同计算机主机的条件概率密度进行比较,若所述小波***的参数对应某台计算机主机的条件概率密度最大,则该计算机主机即所述电磁泄漏信号对应的计算机主机。
5.如权利要求1所述的方法,其特征在于,所述利用预先训练得到的条件概率密度分类器,包括:
选取多个不同计算机主机输出的若干组电磁泄漏信号作为样本数据,利用条件概率密度函数对所述样本数据进行分类训练,得到条件概率密度分类器。
6.一种基于小波系数的计算机电磁泄漏信号识别装置,其特征在于,包括:
信号处理模块,用于计算当前监测的电磁泄漏信号的频谱;
数据处理模块,用于对所述电磁泄漏信号的频谱进行小波分解,确定所述频谱的小波系数的参数;
信号识别模块,用于利用预先训练的条件概率密度分类器,得到所述小波系数的参数对应不同计算机主机的条件概率密度,根据所述条件概率密度识别出所述电磁泄漏信号对应的计算机主机。
7.如权利要求6所述的装置,其特征在于,所述数据处理模块用于将所述电磁泄漏信号的频谱转换成小波系数;计算所述小波系数的指数分布的极大似然估计,得到所述小波系数的参数。
8.如权利要求6所述的装置,其特征在于,所述信号识别模块,用于将得到的各所述小波系数的参数对应不同计算机主机的条件概率密度进行比较,若所述小波系数的参数对应某台计算机的条件概率密度最大,则该计算机主机即所述电磁泄漏信号对应的计算机。
9.如权利要求6或7或8所述的装置,其特征在于,还包括分类训练模块,
所述分类训练模块,用于选取多个不同计算机主机输出的若干组电磁泄漏信号作为样本数据,利用条件概率密度函数对所述样本数据进行分类训练,得到条件概率密度分类器。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至5任意一项所述方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810379251.3A CN108830135A (zh) | 2018-04-25 | 2018-04-25 | 计算机电磁泄漏信号识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810379251.3A CN108830135A (zh) | 2018-04-25 | 2018-04-25 | 计算机电磁泄漏信号识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830135A true CN108830135A (zh) | 2018-11-16 |
Family
ID=64155070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810379251.3A Pending CN108830135A (zh) | 2018-04-25 | 2018-04-25 | 计算机电磁泄漏信号识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830135A (zh) |
Cited By (3)
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 |
CN109743750A (zh) * | 2018-12-20 | 2019-05-10 | 中国电子科技集团公司电子科学研究院 | 一种视频泄漏信号去噪算法及装置 |
CN112858796A (zh) * | 2021-01-20 | 2021-05-28 | 中国电子科技集团公司第三十三研究所 | 一种电磁泄漏时域信号特征的识别***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010190708A (ja) * | 2009-02-18 | 2010-09-02 | National Institute Of Information & Communication Technology | 情報を含んだ漏洩電磁波評価システム、方法及びプログラム |
AU2009341793A1 (en) * | 2009-03-09 | 2011-10-20 | Eskom Holdings Soc Limited | Time domain electromagnetic interference monitoring method and system |
CN102386984A (zh) * | 2011-10-19 | 2012-03-21 | 上海师范大学 | 一种认知无线电宽带频谱检测方法 |
US9098458B1 (en) * | 2008-09-03 | 2015-08-04 | Mark Fischer | Method and apparatus for profiling and identifying the source of a signal |
CN106814257A (zh) * | 2016-12-07 | 2017-06-09 | 北京邮电大学 | 芯片类型识别***、方法及装置 |
-
2018
- 2018-04-25 CN CN201810379251.3A patent/CN108830135A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9098458B1 (en) * | 2008-09-03 | 2015-08-04 | Mark Fischer | Method and apparatus for profiling and identifying the source of a signal |
JP2010190708A (ja) * | 2009-02-18 | 2010-09-02 | National Institute Of Information & Communication Technology | 情報を含んだ漏洩電磁波評価システム、方法及びプログラム |
AU2009341793A1 (en) * | 2009-03-09 | 2011-10-20 | Eskom Holdings Soc Limited | Time domain electromagnetic interference monitoring method and system |
CN102386984A (zh) * | 2011-10-19 | 2012-03-21 | 上海师范大学 | 一种认知无线电宽带频谱检测方法 |
CN106814257A (zh) * | 2016-12-07 | 2017-06-09 | 北京邮电大学 | 芯片类型识别***、方法及装置 |
Non-Patent Citations (5)
Title |
---|
丁敏: "通信辐射源个体识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
俞一彪等: "数字信号处理—理论与应用", 《东南大学出版社》 * |
帅平等: "X射线脉冲星导航***原理与方法", 《中国宇航出版社》 * |
肖志云: "小波域数字图像建模及其应用", 《北京理工大学出版社》 * |
齐建文等: "《通信辐射源信号细微特征分析与处理》", 28 February 2015, 国防工业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743750A (zh) * | 2018-12-20 | 2019-05-10 | 中国电子科技集团公司电子科学研究院 | 一种视频泄漏信号去噪算法及装置 |
CN109743750B (zh) * | 2018-12-20 | 2022-12-16 | 中国电子科技集团公司电子科学研究院 | 一种视频泄漏信号去噪算法及装置 |
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 |
CN112858796A (zh) * | 2021-01-20 | 2021-05-28 | 中国电子科技集团公司第三十三研究所 | 一种电磁泄漏时域信号特征的识别***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8768260B2 (en) | Electromagnetic wave discrimination device, electromagnetic wave discrimination method, and electromagnetic wave discrimination program | |
Yan et al. | Robust target detection within sea clutter based on graphs | |
CN111709028B (zh) | 一种网络安全状态评估和攻击预测方法 | |
Ma et al. | Towards a universal model for cross-dataset crowd counting | |
CN108830135A (zh) | 计算机电磁泄漏信号识别方法、装置及存储介质 | |
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测***及方法 | |
CN113111731B (zh) | 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*** | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
WO2021135390A1 (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
Marchetti et al. | Identification of correlated network intrusion alerts | |
CN110163040B (zh) | 非高斯杂波中雷达辐射源信号识别技术 | |
CN113343247A (zh) | 生物特征识别对抗样本攻击安全测评方法、***、装置、处理器及其计算机可读存储介质 | |
CN105550702A (zh) | 一种基于svm的gnss欺骗式干扰识别方法 | |
Lu et al. | Self-attentive models for real-time malware classification | |
Zhu et al. | Particle labeling PHD filter for multi-target track-valued estimates | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
US20230409422A1 (en) | Systems and Methods for Anomaly Detection in Multi-Modal Data Streams | |
CN107767401B (zh) | 基于核相关滤波的红外目标实时跟踪方法及装置 | |
CN113887633B (zh) | 基于il的闭源电力工控***恶意行为识别方法及*** | |
CN115758336A (zh) | 一种资产识别方法及装置 | |
Qian et al. | Identification of conductive leakage signal in power cable based on multi-classification PSO-SVM | |
CN108768774A (zh) | 一种定量化的网络安全评估方法及评估*** | |
CN110532836B (zh) | 核电站信号识别方法、装置、计算机设备及存储介质 | |
Du et al. | Aggregated-attention deformable convolutional network for few-shot SAR jamming recognition | |
Shi et al. | New method for computer identification through electromagnetic radiation |
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: 20181116 |