一种基于倒谱和卷积神经网络的电磁红信息检测方法与流程

本发明涉及信息安全
技术领域：
，具体涉及一种利用倒谱和卷积神经网络对电磁泄漏红信息进行检测的方法。
背景技术：
：随着信息技术及计算机技术的深入发展和广泛应用，计算机在军事、政务、商业领域的作用也越来越重要。计算机作为一种数据信息的处理设备，在处理信息时会不可避免地向外部环境散发电磁能量。设备的电磁能量泄漏包括辐射和传导两种途径：辐射泄漏是将杂散的电磁能量以电磁波的形式透过设备外壳及外壳上的各种孔隙、连接电缆等辐射出去，而传导泄漏则是将杂散的电磁能量通过各种线路(包括电源线和信号线等)传导出去。上述两种泄漏途径相互关联，在导线的天线效应作用下，沿导线传导的杂散电磁能量有部分转化为电磁波辐射出去，而辐射到空间的杂散电磁能量又有部分耦合到外连导线上，即使存在能量互换现象。这些电磁辐射能量(即电磁波信号)内含有复杂的频谱成份且携带有大量信息，而这些被泄漏的信息通常又被分为“红信息”和“黑信息”两种，其中“黑信息”与设备处理或传输的信息无关，而“红信息”则与设备处理或传输的信息有关，当“红信息”在一定前提条件下通过特定仪器被接收和还原，就会对信息安全构成严重威胁。目前，对于计算机电磁泄漏的研究主要针对“红信息”，这不仅有利于加强国家的信息安全防护，而且在商业秘密和个人隐私方面的保护也有着重要意义。在对电磁红信息进行截获和还原时，要求泄漏信号的强度及信噪比必须达到一定条件，因此为了避免电磁红信息泄漏，我们会采取相应的措施以弱化泄漏信号的强度、减小泄漏信号的信噪比，进而达到电磁防护的目的。而为了检验电磁防护方法是否有效，我们需要对泄漏的电磁红信息进行检测，因此，电磁红信息特征提取和识别对保障电磁信息安全有重要意义。由于电磁红信息具有信噪比低、特征信号强度微弱的特点，在复杂的电磁环境中，传统的电磁红信息特征提取方法由于需要预先定义红信息特征，而这些红信息特征又很容易被淹没在复杂的电磁环境中，难以分离提取，因此传统方法并不能很好地提取并表示出电磁红信息特征，影响后续的检测识别率。检测识别率可对目标设备采取防护措施前后的安全性做出量化评估，是信息安全评估的量化依据。技术实现要素：本发明的目的在于提供一种可在复杂电磁环境下、从低信噪比的电磁泄漏中有效提取出红信息特征并检测识别的方法。为实现上述目的，本发明提供了一种基于倒谱和卷积神经网络的电磁红信息检测方法，首先采集电磁泄漏信号的样本，并通过倒谱分析提取出电磁泄漏信号中隐藏的红信息特征，然后通过卷积神经网络对提取出的红信息特征进行分类训练，得到关于电磁红信息的检测模型，接着输入待测的电磁泄漏信号，并形成该信号基于倒谱的电磁红信息特征表示，最后利用训练好的电磁红信息检测模型对红信息特征进行识别判定。上述检测方法包括获取检测模型和电磁红信息检测两个部分，且各部分具体包括如下步骤：获取检测模型步骤s10)采集多个电磁泄漏信号样本；步骤s11)为解决不同采集环境下采样精度不一致的问题，对所有信号做降采样处理；步骤s12)对降采样后的各个信号作倒谱分析并提取其中的信息泄漏特征，形成基于倒谱的电磁红信息特征表示；步骤s13)将上述电磁红信息特征表示输入卷积神经网络中进行分类训练；步骤s14)通过大量的样本训练，得到并保存电磁红信息的检测模型；电磁红信息检测步骤s20)将待测的电磁泄漏信号样本输入检测模型；步骤s21)根据采集环境下采样精度对待测的电磁泄漏信号样本进行降采样；步骤s22)对降采样后的待测信号样本作倒谱分析并提取其中的信息泄漏特征，形成基于倒谱的电磁红信息特征表示；步骤s23)利用训练好的基于卷积神经网络的电磁红信息检测模型对红信息特征进行识别判定。优选地，步骤s11)和步骤s21)中的降采样过程如下：(1)设置训练/测试样本的长度lm以及训练/测试样本所需的最小的精度sm，而采集的原始信号样本长度为ls且采集的精度为ss；(2)如果ss≥sm且ls≥lm，将采集的原始信号样本以ls/lm(取整)的间隔进行等间隔降采样，从原始信号样本抽取出ls/lm(取整)个规范化样本，将长度不足lm的样本抛弃；(3)如果ss＜sm且ls≥lm，将采集的原始信号样本以lm的长度进行分段，将原始信号样本分割为ls/lm(取整)个规范化样本，将长度不足lm的样本抛弃；(4)如果ls＜lm，则样本的长度不足，重新进行采集。通过上述降采样处理将可以实现信号样本的规范化，以便于后续进行深度学习和批量训练。其中，信号样本的长度单位为采样点的个数，信号样本的精度单位为样本数/秒。优选地，步骤s12)和步骤s22)中关于电磁红信息倒谱特征的提取方法如下：对降采样后的电磁泄漏信号进行傅里叶变换：s(k)＝fft(s(n))其中，s(k)为电磁泄漏信号的频谱，fft为快速傅里叶变换，s(n)为降采样后的电磁泄漏信号的时域信号；对电磁泄漏信号的频谱的幅值做对数运算：l(k)＝log|s(k)|其中，l(k)是电磁泄漏信号的频域幅值对数谱，|s(k)|是电磁泄漏信号频谱的幅值且通过对s(k)进行取模运算得到；对电磁泄漏信号的频域幅值对数谱进行傅里叶逆变换，提取电磁红信息的倒谱特征：c(n)＝ifft(l(k))其中，c(n)是电磁泄漏信号的倒谱特征表示，ifft为快速傅里叶变换的逆运算。优选地，所述卷积神经网络包括两个卷积层、一个池化层和一个全连接层，卷积层的计算公式为：output(ho×lo×t0)＝w(hc×lc×ti×t0)*input(hi×li×ti)+b其中，output为卷积计算的输出张量，input为卷积计算的输入张量，w为卷积神经网络参数并与input进行卷积运算，b为贝叶斯参数向量并参与机器学习，ho为输出张量矩阵的行数，lo为输出张量矩阵的列数，to为输出的通道数，hi为输入张量矩阵的行数，li为输入张量矩阵的列数，ti为输入的通道数。优选地，在卷积神经网络的学习过程中采用relu激励函数，计算公式如下：relu(x)＝max(0，x)优选地，在卷积层中加入dropout函数，计算公式如下：r～bernoulli(p)其中，r是独立的伯努利随机变量，以概率p将r取值为1(由于r的取值可为0或1，且当r＝1时，该神经节点参与网络计算，当r＝0时，该神经节点不参与网络计算，因此p可视为节点抛弃概率)，x是dropout函数的计算输入，是dropout函数的计算输出。在样本数量有限的情况下，训练得到的检测模型可能会和训练样本的分布过度拟合，从而导致与训练样本存在较大差异的待测样本无法被检测模型有效识别，所得模型缺乏泛化能力。我们希望机器通过深度学习，不仅能有效识别与训练样本类似的样本，也能推广到有效识别未知样本。而上述两个函数的引入均就是为了防止深度学习过程中的过度拟合问题，其中，relu激励函数用于在多层神经网络中表示上层节点的输出和下层节点的输入之间的函数关系，而dropout函数是让网络中的神经元以一定的概率停止工作。优选地，dropout函数中的概率p＝0.5。即r被随机设置为0或1的概率均为50％，其目的是为了实现随机抛弃神经元，不让其参与网络计算。优选地，在完成对电磁红信息的识别判定后，若输入的待测电磁泄漏信号本身带有先验标签，则可通过比对标签和检测结果来评估电磁红信息的检测准确率。本发明提供的技术方案至少具有如下有益效果：1、本发明通过在电磁信息泄漏检测领域中，首次利用倒谱分析和卷积神经网络结合的方法，对电磁红信息泄漏特征的提取过程以及检测模型的建立过程进行优化处理，实现在低信噪比的环境下能有效检出电磁泄漏红信息；具体来说，倒谱分析利用对数加权，扩大了频谱的动态范围，提高了再变换的精度，从而增强了信号中的周期特性，而且倒谱分析具有解卷积作用，便于从复杂电磁环境中分离和提取电磁红信息，另外，卷积神经网络可以利用机器的自学习分析识别电磁信号中隐藏的红信息特征，避免人为定义和寻找红信息特征，因此，本发明方法额灵敏度高且检测准确率高于常规方法。2、本发明利用人工智能深度学习方法对有限样本进行机器学习，在电磁红信息样本大数据的积累过程中，通过对增量样本的不断学习，可持续改善智能检测能力。3、本发明通过在卷积神经网络的学习过程中采用relu激励函数和dropout函数，有助于抑制深度学习过程中存在的过度拟合问题，附图说明为了更清楚地说明本发明技术方案，下面将对本发明实施例描述中所需使用到的附图作简单地介绍，显而易见地，下列附图仅仅用于帮助理解本发明中的部分实施例而非技术方案的全部，其中：图1是本发明所提供电磁红信息检测方法的流程图；图2是本发明所提供电磁红信息检测方法中卷积神经网络的结构图；图3是本发明实施例1中电磁泄漏的信号样本在降采样前的时域样本；图4是本发明实施例1中电磁泄漏的信号样本经降采样、倒谱分析提取信息泄漏特征后的倒谱样本。具体实施方式下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。本发明提供了一种基于倒谱和卷积神经网络的电磁红信息检测方法，首先采集电磁泄漏信号的样本，并通过倒谱分析提取出电磁泄漏信号中隐藏的红信息特征，然后通过卷积神经网络对提取出的红信息特征进行分类训练，得到关于电磁红信息的检测模型，接着输入待测的电磁泄漏信号，并形成该信号基于倒谱的电磁红信息特征表示，最后利用训练好的电磁红信息检测模型对红信息特征进行识别判定。如图1所示，所述检测方法的具体步骤如下：一、获取检测模型步骤s10)采集多个电磁泄漏信号样本；步骤s11)为解决不同采集环境下采样精度不一致的问题，对所有信号做降采样处理；步骤s12)对降采样后的各个信号作倒谱分析并提取其中的信息泄漏特征，形成基于倒谱的电磁红信息特征表示；步骤s13)将上述电磁红信息特征表示输入卷积神经网络中进行分类训练；步骤s14)通过大量的样本训练，得到并保存电磁红信息的检测模型；二、电磁红信息检测步骤s20)将待测的电磁泄漏信号样本输入检测模型；步骤s21)根据采集环境下采样精度对待测的电磁泄漏信号样本进行降采样；步骤s22)对降采样后的待测信号样本作倒谱分析并提取其中的信息泄漏特征，形成基于倒谱的电磁红信息特征表示；步骤s23)利用训练好的基于卷积神经网络的电磁红信息检测模型对红信息特征进行识别判定；步骤s24)输入的待测电磁泄漏信号本身带有先验标签，通过比对标签和检测结果来评估电磁红信息的检测准确率。在本发明提供的检测方法中，步骤s11)和步骤s21)中的降采样过程如下：(1)设置训练/测试样本的长度lm以及训练/测试样本所需的最小的精度sm，而采集的原始信号样本长度为ls且采集的精度为ss；(2)如果ss≥sm且ls≥lm，将采集的原始信号样本以ls/lm(取整)的间隔进行等间隔降采样，从原始信号样本抽取出ls/lm(取整)个规范化样本，将长度不足lm的样本抛弃；(3)如果ss＜sm且ls≥lm，将采集的原始信号样本以lm的长度进行分段，将原始信号样本分割为ls/lm(取整)个规范化样本，将长度不足lm的样本抛弃；(4)如果ls＜lm，则样本的长度不足，重新进行采集。在本发明提供的检测方法中，步骤s12)和步骤s22)中关于电磁红信息倒谱特征的提取方法如下：对降采样后的电磁泄漏信号进行傅里叶变换：s(k)＝fft(s(n))其中，s(k)为电磁泄漏信号的频谱，fft为快速傅里叶变换，s(n)为降采样后的电磁泄漏信号的时域信号；对电磁泄漏信号的频谱的幅值做对数运算：l(k)＝log|s(k)|其中，l(k)是电磁泄漏信号的频域幅值对数谱，|s(k)|是电磁泄漏信号频谱的幅值且通过对s(k)进行取模运算得到；对电磁泄漏信号的频域幅值对数谱进行傅里叶逆变换，提取电磁红信息的倒谱特征：c(n)＝ifft(l(k))其中，c(n)是电磁泄漏信号的倒谱特征表示，ifft为快速傅里叶变换的逆运算。如图2所示，在本发明提供的检测方法中，所述卷积神经网络包括两个卷积层、一个池化层和一个全连接层，参数设定如表1所示：表1卷积神经网络结构卷积神经网络分层计算核计算步长卷积层120×81×1池化层2×22×2卷积层210×41×1全连接层1×11×1卷积层的计算公式为：output(ho×lo×t0)＝w(hc×lc×ti×t0)*input(hi×li×ti)+b其中，output为卷积计算的输出张量，input为卷积计算的输入张量，w为卷积神经网络参数并与input进行卷积运算，b为贝叶斯参数向量并参与机器学习，ho为输出张量矩阵的行数，lo为输出张量矩阵的列数，to为输出的通道数，hi为输入张量矩阵的行数，li为输入张量矩阵的列数，ti为输入的通道数。在本发明提供的检测方法中，为了防止深度学习中的过度拟合问题，在卷积神经网络的学习过程中采用relu激励函数，计算公式如下：relu(x)＝max(0，x)同时，还在卷积层中加入dropout函数，计算公式如下：r～bernoulli(p)其中，r是独立的伯努利随机变量，以概率p将r取值为1，x是dropout函数的计算输入，是dropout函数的计算输出。实施例1(采用上述基于倒谱和卷积神经网络的电磁红信息检测方法)1、利用信号接收设备采集到m个电磁泄漏信号样本：si(t)，i＝1，2，3....m其时域样本如图3所示。2、对电磁泄漏信号样本做降采样处理，设置lm为16000个采样点、sm为2ms/s，得到标准化的电磁泄漏信号时间序列：si(n)，i＝1，2，3....m其中，每个样本序列的长度为16000，即0＜n＜16000。3、对降采样后的电磁泄漏信号样本作倒谱分析，以形成基于倒谱的电磁红信息特征表示，过程如下：(1)对si(n)进行傅里叶变换，得到电磁泄漏信号的频谱：si(k)＝fft(si(n))其中，有0＜k＜16000；(2)对si(k)进行对数运算，得到电磁泄漏信号的频域幅值对数谱：li(k)＝log|si(k)|(3)对li(k)进行傅里叶逆变换，得到电磁泄漏信号的倒谱：ci(n)＝ifft(li(k))其倒谱样本如图4所示，且由于谱线左右对称，所以只需要半边谱即可，样本的长度可以减少为8000。4、将特征提取后的样本(如下所示)分成两个样本集，即训练集和测试集，其中，ci(n)，i＝1，2，3....m将训练集样本输入卷积神经网络中进行训练，得到电磁泄漏红信息的检测模型，过程如下：(1)将训练样本序列转换成二维输入为了适应卷积层的神经网络，更好提取信号上下文特征，将ci(n)的8000点序列降维映射成二维输入input1i，input1是一个(98*40*1)的张量，表示输入的二维矩阵的大小为98×40且输入通道数为1；(2)卷积层1的计算卷积层1利用卷积核滑动进行卷积运算，对1个通道的信号输入进行特征提取，获得64个通道的特征输出，计算公式为：output1＝w1*input1+b1根据表1中的卷积神经网络结构，input1是(98*40*1)的输入张量，output1是(98*40*64)的输出张量，w1为{(20*8)*1*64}卷积神经网络的参数张量，卷积核大小为(20*8)，卷积核的计算步长为(1*1)，输入通道数为1，输出通道数为64，b1为贝叶斯参数且大小为64；(3)relu激励函数的计算计算公式为：relu(output1)＝max(0，output1)其中，relu激励函数的输入张量大小为(98*40*64)，relu激励函数的输出张量大小为(98*40*64)；(4)dropout函数的计算计算公式为：r～bernoulli(p)其中，设定节点抛弃概率p＝0.5，随机将一些节点置零抛弃，以防止训练结果过拟合，dropout函数的输入张量大小为(98*40*64)，dropout函数的输出张量大小为(98*40*64)；(5)池化层的计算池化层进行下采样计算，根据表一中神经网络结构的设计，下采样的比例为1/(2*2)，采样的步长为(2*2)，池化层的输入张量大小为(98*40*64)，池化层的输出张量大小为(49*20*64)；(6)卷积层2的计算卷积层2的计算公式为output2＝w2*input2+b2同样，根据表1中的卷积神经网络结构，input2是(49*20*64)的输入张量，output2是(49*20*64)的输出张量，w2为{(10*4)*64*64}卷积神经网络的参数张量，卷积核大小为(10*4)，卷积核的计算步长为(1*1)，输入通道数为64，输出通道数为64，b2为贝叶斯参数且大小为64；(7)全连接层的计算首先将卷积层2输出的(49*20*64)张量通过矩阵运算映射成长度为62720的序列，然后利用全连接网络输出分类结果，在本实施例中可根据需要自主设定输出的分类数量；(8)卷积神经网络参数的反馈调节利用梯度下降法，根据训练集的样本标定对卷积神经网络的参数w1、w2、b1、b2进自行动反馈和调节，使得预测结果逼近样本标定；(9)迭代训练重复上述步骤(1)～(8)，根据预设好的训练次数进行卷积神经网络的迭代训练，直至训练出检测模型。5、将测试集样本输入检测模型中，按照上述步骤(1)～(7)对待测样本进行计算，从而完成对电磁红信息的识别检测。在使用同一个卷积神经网络结构的前提下，将本发明方法与传统的时域、频域、mfcc(梅尔倒谱系数)、db2小波滤波方法进行比较。相关数据如下所示：实验设计：对显示器显示不同内容时产生的电磁泄漏信号进行检测。采用数据：训练集包括74052个样本，采样率为1.25gs/s、208ms/s和2ms/s；测试集包括5208个样本，采样率为417ms/s。实验结果证明，本发明方法通过结合倒谱分析和卷积神经网络确保电磁红信息检的测准确率可达95％以上，且在准确率、精确率、召回率方面均表现优异，相较于传统方法或其他方法的组合，优化效果明显且具有更高的综合评价指标。以上所述仅为本发明的优选实施例，并非因此限制本发明的专利保护范围，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。在本发明的精神和原则之内，凡是利用本发明说明书及附图内容所作的任何改进或等同替换，直接或间接运用在其它相关的
技术领域：
，均应包括在本发明的专利保护范围内。当前第1页12