CN116127299A - 一种关键信息基础设施电磁信息安全监测方法 - Google Patents
一种关键信息基础设施电磁信息安全监测方法 Download PDFInfo
- Publication number
- CN116127299A CN116127299A CN202310176501.4A CN202310176501A CN116127299A CN 116127299 A CN116127299 A CN 116127299A CN 202310176501 A CN202310176501 A CN 202310176501A CN 116127299 A CN116127299 A CN 116127299A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic
- signal
- signals
- data
- frequency
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于信息安全监测方法技术领域,具体涉及一种关键信息基础设施电磁信息安全监测方法,包括下列步骤:建立基础数据库、算法库、检测设备准备工作;进行电磁信号持续采集监测;进行特征数据融合;决策分析及电磁态势呈现。本发明在对可疑信号检测方法上,以黑白灰名单并结合机器学习分类技术,通过对电磁信号在特征融合等算法模型来检测异常电磁信号,并且利用基于到达信号强度的信号源定位方法结合和设备空间位置数据库的来判断出信号源点的位置及目标,最后通过电磁信号态势感知***可直观呈现被监测***的空间电磁安全态势。
Description
技术领域
本发明属于信息安全监测方法技术领域,具体涉及一种关键信息基础设施电磁信息安全监测方法。
背景技术
电磁信息安全属于网络信息安全中的物理安全范畴,是网络信息安全的重要组成部分。目前,关键信息基础设施面临电磁入侵攻击和信息窃取的安全问题,电磁信号主动攻击和电磁信息泄漏是导致信息***物理隔离失效的主要原因之一。
电磁信号攻击指攻击者可以在不使用***中的网络设备的场景下与外界交流进行信息交换,导致电磁信号可以突破计算机的物理隔离且更难检测。一方面,无线电信号的形式呈现出多样化的趋势,无线通信利用无线电波可以通过无线传感***就可以窃取使用的电器设备释放的电磁波,例如计算机及计算机的CPU、视频、磁盘、网络设备、线缆、打印机以及隐含在计算机中的电磁木马主动发送的信息,甚至于业余无线电台、无人机、无线通信设备都存在主动或被动的电磁泄漏的现象,因此计算机等基础设施在电磁信息安全方面存在一定的脆弱性。
另一方面电磁空间是十分复杂抽象的,由于电磁信号在各种因素的影响下的不稳定性,通过挖掘电磁频谱中的可利用的信号特征和相关信息,从复杂的电磁空间中的合法电台信号、正常通信信号、空间背景噪声等众多信号中识别出目标信号或进行入侵的电磁信号特征提取非常困难,且电磁入侵信号的攻击方式和目的是不断变化且多样的,这些都体现了电磁入侵的隐蔽性和难检测性。
因此,有必要研究一套针对关键信息基础设施电磁信息安全的监测方法和***,提升关键信息基础设施网络电磁安全的检测能力。
发明内容
针对上述从复杂的电磁空间中的合法电台信号、正常通信信号、空间背景噪声等众多信号中识别出目标信号或进行入侵的电磁信号特征提取非常困难的技术问题,本发明提供了一种关键信息基础设施电磁信息安全监测方法,针对关键信息基础设施面临电磁入侵攻击和信息窃取的安全问题进行研究设计,可有效解决现有的电磁异常信号检测与电磁泄漏检测准确率都相对较低的问题,并可以对静态电磁信号源进行精准定位。
为了解决上述技术问题,本发明采用的技术方案为:
一种关键信息基础设施电磁信息安全监测方法,包括下列步骤:
S1、建立基础数据库、算法库、检测设备准备工作;
S2、进行电磁信号持续采集监测;
S3、进行特征数据融合;
S4、决策分析及电磁态势呈现。
所述S1中建立基础数据库的方法为:建立电磁频谱特征库,电磁信号黑、白、灰名单库,黑名单指目前已知的电磁木马、有害电磁信号,灰名单指疑似电磁信号,白名单指已知正常信号如电台、手机信号频段。
所述S1中建立算法库的方法为:建设算法模型库,特征提取算法模型、异常信号识别算法模型、目标定位算法,算法模型为:单分类支持向量机异常检测模型、基于VAE-GAN的检测模型、基于卷积神经网络的检测模型。
所述S1中建立检测设备的方法为:包括下列步骤:
S1.1、确定被测***,使用一个长宽高分别为50米、15米、5米的数据中心,数据中心指定一点为三维空间坐标原点(0,0,0),建立设备在三维空间位置数据库,对现有***所有固定设备测量并标注其三维空间坐标(x,y,z),所述固定设备包括服务器、计算机、网络设备,其中坐标值50>x>0,15>y>0,5>z>0,并存储于数据库中;
S1.2、配置全频谱电磁信号采样设备,选定异常信号识别算法模型,使用与采样设备参数相同的模拟仿真数据训练集对算法模型进行机器学习与训练,所述仿真数据训练集包括无异常信号数据和存在异常信号数据两组数据,优化算法模型及阈值参数。
所述S2中进行电磁信号持续采集监测的方法为:使用采集设备进行持续电磁信号采样,通过采集设备API接口接收实时采集电磁波时频域信号和特征融合算法所需的特征值,所述特征值包括信息熵、占空比、均值、方差、最大值、最小值;实时采集电磁波时频域信号。
所述实时采集电磁波时频域信号的方法为:包括下列步骤:
S2.1、持续进行电磁信号的时域数据采集,和频域数据采集,同时分段将数据传输到上位机,有上位机软件进行分析操作;
S2.2、上位机首先基于黑、白、灰名单库对分段频域数据进行数据清洗;
S2.3、如果信号不在数据库黑白灰名单记录中,将作为下一步特征融合的信号检测模型的输入,进行可疑信号的检测。
所述S2.2中上位机基于黑、白、灰名单库对分段频域数据进行数据清洗的方法为:包括下列步骤:
S2.2.1、使用数据库白名单进行过滤,对输入的信号频率与白名单记录中的频率进行对比,在其中的直接过滤成正常信号;
S2.2.2、使用数据库黑名单进行过滤,对输入的信号频率与黑名单记录中的频率进行对比,在其中的直接过滤成异常信号;
S2.2.3、使用数据库灰名单进行过滤,对输入的信号频率与灰名单记录中的频率进行对比,在其中的直接过滤成疑似异常信号。
所述S3中进行特征数据融合的方法为:包括下列步骤:
S3.1、将分段频域信号输入到特征算法模型中进行计算,小于阈值的判断为正常信号结束识别,大于阈值的判断为可疑信号继续进行识别;
S3.2、对可疑信号使用定位算法进行信号源定位计算,所述定位算法采用基于到达信号强度的多元定位方法;
S3.3、将计算结果于数据库中设备的位置信息逐一比对判断目标设备;
S3.4、如果匹配到设备则确定可疑目标,否则对可疑信号进行下一步判断。
所述S4中决策及电磁信号态势呈现的方法为:包括下列步骤:
S4.1、对可疑信号及所在位置做进一部检测,并作出做出最终判定;
S4.2、电磁信号态势软件包括频谱实时监测、频域关系网络图、名单管理、数据查询统计、报警显示、其他辅助功能;频谱实时监测包括实时曲线、峰值曲线、最小值曲线、均值曲线、瀑布图;查询统计包括历史数据、预警信息、报警信息的查询统计;频域关系网络图显示分析;名单管理包括黑白灰名单的增删查改等操作;软件***与频谱检测仪的数据交换工作;用户管理、操作日志其它***辅助功能。
本发明与现有技术相比,具有的有益效果是:
本发明针对关键信息基础设施面临电磁入侵攻击和信息窃取的安全问题进行研究设计,可有效解决现有的电磁异常信号检测与电磁泄漏检测准确率都相对较低的问题,并可以对静态电磁信号源进行精准定位。本发明在对可疑信号检测方法上,以黑白灰名单并结合机器学习分类技术,通过对电磁信号在特征融合等算法模型来检测异常电磁信号,并且利用基于到达信号强度的信号源定位方法结合和设备空间位置数据库的来判断出信号源点的位置及目标,最后通过电磁信号态势感知***可直观呈现被监测***的空间电磁安全态势。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明***功能模块图;
图2为本发明基于黑、白、灰名单库的数据清洗流程图;
图3为本发明特征算法模型检测及可疑目标定位工作流程图;
图4为本发明电磁信号态势感知***功能组成图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制;基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合附图和实施例,对本发明的具体实施方式做进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
关键信息基础设施电磁信息安全的监测***,主要包括以下几个部分,基础主备工作,如基础数据库、算法模型库、采集设备部署等,持续电磁信号数据采集,信号分析预警、报警,电磁环境态势总体呈现。
具体实施步骤如下:
1、准备阶段
(1)建立电磁频谱特征库,电磁信号黑、白、灰名单库,黑名单指目前已知的电磁木马、有害电磁信号等,灰名单指疑似电磁信号,白名单指已知正常信号如电台、手机等信号频段;
(2)建设算法模型库,特征提取算法模型、异常信号识别算法模型、目标定位算法等,算法模型如:单分类支持向量机异常检测模型、基于VAE-GAN的检测模型、基于卷积神经网络的检测模型等算法模型;
(3)确定被测***,本列中使用一个长宽高分别为50米,15米,5米的数据中心,数据中心指定一点(如长方体形空间任意一个顶点)为三维空间坐标原点(0,0,0),建立设备在三维空间位置数据库,对现有***所有固定设备(包括,服务器、计算机、网络设备等电器产品)测量并标注其三维空间坐标(x,y,z),其中坐标值50>x>0,15>y>0,5>z>0,并存储于数据库中;
(4)配置全频谱电磁信号采样设备,选定异常信号识别算法模型,使用与采样设备参数相同的模拟仿真数据训练集(包括无异常信号数据和存在异常信号数据两组数据)对算法模型进行机器学习与训练,优化算法模型及阈值等参数。
2、实时监测采样阶段
使用采集设备进行持续电磁信号采样,通过采集设备API接口接收实时采集电磁波时频域信号和特征融合算法所需的特征值,如信息熵、占空比、均值、方差、最大值、最小值等;实时采集电磁波时频域信号。
(1)持续进行电磁信号的时域数据采集,和频域数据采集,同时分段将数据传输到上位机,有上位机软件进行分析操作;
(2)上位机首先基于黑、白、灰名单库对分段频域数据进行数据清洗,数据清洗流程如图2所示,第一步,使用数据库白名单进行过滤,对输入的信号频率与白名单记录中的频率进行对比,在其中的直接过滤成正常信号;第二步,使用数据库黑名单进行过滤,对输入的信号频率与黑名单记录中的频率进行对比,在其中的直接过滤成异常信号;第三步,使用数据库灰名单进行过滤,对输入的信号频率与灰名单记录中的频率进行对比,在其中的直接过滤成疑似异常信号;
(3)如果信号不在数据库黑白灰名单记录中,将作为下一步特征融合的信号检测模型的输入,进行可疑信号的检测。
3、基于特征的数据融合及可疑目标定位工作如图3所示
(1)将2、3中的分段频域信号输入到特征算法模型中进行计算,小于阈值的判断为正常信号结束识别,大于阈值的判断为可疑信号继续进行识别;
(2)对可疑信号使用定位算法(如DOA、TOA、AOA、FDOA、SOA等,本列使用的是基于到达信号强度的多元定位方法)进行信号源定位计算;
(3)将计算结果于数据库中设备的位置信息逐一比对判断目标设备;
(4)如果匹配到设备则确定可疑目标,否则对可疑信号进行下一步判断。
4、决策及电磁信号态势呈现
(1)对可疑信号,及所在位置做进一部检测,并作出做出最终判定;
(2)电磁信号态势软件基本组成如图4所示,主要包括,频谱实时监测、频域关系网络图、名单管理、数据查询统计、报警显示、其他辅助功能等。频谱实时监测主要包括实时曲线、峰值曲线、最小值曲线、均值曲线、瀑布图;查询统计包括历史数据、预警信息、报警信息的查询统计;频域关系网络图显示分析;名单管理包括黑白灰名单的增删查改等操作;软件***与频谱检测仪的数据交换工作;用户管理、操作日志等其它***辅助功能。
上面仅对本发明的较佳实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化,各种变化均应包含在本发明的保护范围之内。
Claims (9)
1.一种关键信息基础设施电磁信息安全监测方法,其特征在于:包括下列步骤:
S1、建立基础数据库、算法库、检测设备准备工作;
S2、进行电磁信号持续采集监测;
S3、进行特征数据融合;
S4、决策分析及电磁态势呈现。
2.根据权利要求1所述的一种关键信息基础设施电磁信息安全监测方法,其特征在于:所述S1中建立基础数据库的方法为:建立电磁频谱特征库,电磁信号黑、白、灰名单库,黑名单指目前已知的电磁木马、有害电磁信号,灰名单指疑似电磁信号,白名单指已知正常信号如电台、手机信号频段。
3.根据权利要求1所述的一种关键信息基础设施电磁信息安全监测方法,其特征在于:所述S1中建立算法库的方法为:建设算法模型库,特征提取算法模型、异常信号识别算法模型、目标定位算法,算法模型为:单分类支持向量机异常检测模型、基于VAE-GAN的检测模型、基于卷积神经网络的检测模型。
4.根据权利要求1所述的一种关键信息基础设施电磁信息安全监测方法,其特征在于:所述S1中建立检测设备的方法为:包括下列步骤:
S1.1、确定被测***,使用一个长宽高分别为50米、15米、5米的数据中心,数据中心指定一点为三维空间坐标原点(0,0,0),建立设备在三维空间位置数据库,对现有***所有固定设备测量并标注其三维空间坐标(x,y,z),所述固定设备包括服务器、计算机、网络设备,其中坐标值50>x>0,15>y>0,5>z>0,并存储于数据库中;
S1.2、配置全频谱电磁信号采样设备,选定异常信号识别算法模型,使用与采样设备参数相同的模拟仿真数据训练集对算法模型进行机器学习与训练,所述仿真数据训练集包括无异常信号数据和存在异常信号数据两组数据,优化算法模型及阈值参数。
5.根据权利要求1所述的一种关键信息基础设施电磁信息安全监测方法,其特征在于:所述S2中进行电磁信号持续采集监测的方法为:使用采集设备进行持续电磁信号采样,通过采集设备API接口接收实时采集电磁波时频域信号和特征融合算法所需的特征值,所述特征值包括信息熵、占空比、均值、方差、最大值、最小值;实时采集电磁波时频域信号。
6.根据权利要求5所述的一种关键信息基础设施电磁信息安全监测方法,其特征在于:所述实时采集电磁波时频域信号的方法为:包括下列步骤:
S2.1、持续进行电磁信号的时域数据采集,和频域数据采集,同时分段将数据传输到上位机,有上位机软件进行分析操作;
S2.2、上位机首先基于黑、白、灰名单库对分段频域数据进行数据清洗;
S2.3、如果信号不在数据库黑白灰名单记录中,将作为下一步特征融合的信号检测模型的输入,进行可疑信号的检测。
7.根据权利要求6所述的一种关键信息基础设施电磁信息安全监测方法,其特征在于:所述S2.2中上位机基于黑、白、灰名单库对分段频域数据进行数据清洗的方法为:包括下列步骤:
S2.2.1、使用数据库白名单进行过滤,对输入的信号频率与白名单记录中的频率进行对比,在其中的直接过滤成正常信号;
S2.2.2、使用数据库黑名单进行过滤,对输入的信号频率与黑名单记录中的频率进行对比,在其中的直接过滤成异常信号;
S2.2.3、使用数据库灰名单进行过滤,对输入的信号频率与灰名单记录中的频率进行对比,在其中的直接过滤成疑似异常信号。
8.根据权利要求1所述的一种关键信息基础设施电磁信息安全监测方法,其特征在于:所述S3中进行特征数据融合的方法为:包括下列步骤:
S3.1、将分段频域信号输入到特征算法模型中进行计算,小于阈值的判断为正常信号结束识别,大于阈值的判断为可疑信号继续进行识别;
S3.2、对可疑信号使用定位算法进行信号源定位计算,所述定位算法采用基于到达信号强度的多元定位方法;
S3.3、将计算结果于数据库中设备的位置信息逐一比对判断目标设备;
S3.4、如果匹配到设备则确定可疑目标,否则对可疑信号进行下一步判断。
9.根据权利要求1所述的一种关键信息基础设施电磁信息安全监测方法,其特征在于:所述S4中决策及电磁信号态势呈现的方法为:包括下列步骤:
S4.1、对可疑信号及所在位置做进一部检测,并作出做出最终判定;
S4.2、电磁信号态势软件包括频谱实时监测、频域关系网络图、名单管理、数据查询统计、报警显示、其他辅助功能;频谱实时监测包括实时曲线、峰值曲线、最小值曲线、均值曲线、瀑布图;查询统计包括历史数据、预警信息、报警信息的查询统计;频域关系网络图显示分析;名单管理包括黑白灰名单的增删查改等操作;软件***与频谱检测仪的数据交换工作;用户管理、操作日志其它***辅助功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310176501.4A CN116127299A (zh) | 2023-02-28 | 2023-02-28 | 一种关键信息基础设施电磁信息安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310176501.4A CN116127299A (zh) | 2023-02-28 | 2023-02-28 | 一种关键信息基础设施电磁信息安全监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116127299A true CN116127299A (zh) | 2023-05-16 |
Family
ID=86306344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310176501.4A Pending CN116127299A (zh) | 2023-02-28 | 2023-02-28 | 一种关键信息基础设施电磁信息安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127299A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908556A (zh) * | 2023-09-14 | 2023-10-20 | 天津安力信通讯科技有限公司 | 一种涉密场所电磁环境监测方法和装置 |
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 |
CN117434407A (zh) * | 2023-12-20 | 2024-01-23 | 南京中鑫智电科技有限公司 | 时频域特征融合的换流变阀侧套管绝缘分析方法及*** |
CN118017700A (zh) * | 2024-04-10 | 2024-05-10 | 北京煜邦电力技术股份有限公司 | 一种基于任务调度的电力采集终端 |
-
2023
- 2023-02-28 CN CN202310176501.4A patent/CN116127299A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908556A (zh) * | 2023-09-14 | 2023-10-20 | 天津安力信通讯科技有限公司 | 一种涉密场所电磁环境监测方法和装置 |
CN116908556B (zh) * | 2023-09-14 | 2023-12-05 | 天津安力信通讯科技有限公司 | 一种涉密场所电磁环境监测方法和装置 |
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 |
CN117434407A (zh) * | 2023-12-20 | 2024-01-23 | 南京中鑫智电科技有限公司 | 时频域特征融合的换流变阀侧套管绝缘分析方法及*** |
CN117434407B (zh) * | 2023-12-20 | 2024-02-20 | 南京中鑫智电科技有限公司 | 时频域特征融合的换流变阀侧套管绝缘分析方法及*** |
CN118017700A (zh) * | 2024-04-10 | 2024-05-10 | 北京煜邦电力技术股份有限公司 | 一种基于任务调度的电力采集终端 |
CN118017700B (zh) * | 2024-04-10 | 2024-06-11 | 北京煜邦电力技术股份有限公司 | 一种基于任务调度的电力采集终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116127299A (zh) | 一种关键信息基础设施电磁信息安全监测方法 | |
US20220225101A1 (en) | Ai cybersecurity system monitoring wireless data transmissions | |
US6754488B1 (en) | System and method for detecting and locating access points in a wireless network | |
CN105527303B (zh) | 利用毫米波检测材料的方法及*** | |
CN106971474B (zh) | 基于wifi无线信号的入侵监测方法和*** | |
JP2021513170A (ja) | モバイルネットワークにおけるトラフィックデータから監視されないなりすまし検出 | |
CN104284337A (zh) | 一种基站检测方法及*** | |
CN107403536B (zh) | 一种基于无线信号强度分析的民用无人机入侵预警方法 | |
Guo et al. | TwinLeak: RFID-based liquid leakage detection in industrial environments | |
CN110456321A (zh) | 滤除雷达误报的方法、终端设备及存储介质 | |
CN116781430A (zh) | 用于燃气管网的网络信息安全***及其方法 | |
KR102271797B1 (ko) | 복수의 전파탐지장치를 이용한 무선 해킹 스파이칩 위치 추정 시스템 및 그 방법 | |
CN104298586A (zh) | 一种基于***日志的Web***异常分析方法和装置 | |
WO2022140485A1 (en) | Perpendicular distance prediction of vibrations by distributed fiber optic sensing | |
Lee et al. | Characterization and detection of location spoofing attacks | |
Gimenez et al. | RIDS: Radio intrusion detection and diagnosis system for wireless communications in smart environment | |
CN107704787B (zh) | 一种恶意rfid读写器入侵检测的方法和装置 | |
Zhao et al. | EMoD: Efficient motion detection of device-free objects using passive RFID tags | |
Zhou et al. | Unmanned aerial vehicle detection based on channel state information | |
CN116824471A (zh) | 智能井架区域作业监测方法和*** | |
Guo et al. | TagLeak: Non-intrusive and battery-free liquid leakage detection with backscattered signals | |
US20230070029A1 (en) | Detection system, detection device, and detection method | |
US11316596B2 (en) | Method for detecting at least one compromised computer device in an information system | |
Tejedor et al. | Towards detection of pipeline integrity threats using a SmarT fiber-OPtic surveillance system: PIT-STOP project blind field test results | |
CN114217591B (zh) | 一种关于工业控制***网络行为自学习*** |
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 |