本发明属于信号降噪,具体涉及基于生成对抗网络的键盘电磁泄漏信号降噪方法及系统。
背景技术:
1、在处理信息的过程中,计算机、信息化通信终端等电子信息设备会不可避免地向周围环境发射电磁波,产生无意的、非主观通信的电磁辐射。这些无意发射的电磁信号频谱成份丰富,携带着大量有用信息,存在信息泄漏隐患。
2、键盘是常用的计算机输入设备,用于输入数据信息到主机终端,这些数据信息如字符、数字、命令等,其中极有可能载有重要的内容,比如账号密码等敏感信息。在键盘到主机的传输过程中就存在电磁信息泄漏的风险,对信息安全构成极大威胁。已有的键盘电磁泄漏检测识别方法,通常需要在已知电磁泄漏信息特征的前提以及特定的环境条件下,对电磁信号进行分析,抗噪能力较弱,泛化能力不足。从各个方面影响着检测识别工作的效果:
3、(1)对计算机键盘按键信息的检测识别工作十分依赖于人工经验的支撑,因此缺乏一个自动识别与定位的手段;
4、(2)在复杂电磁环境下,电磁泄漏信号信噪比低,易受环境噪声的干扰,面对复杂的电磁环境时,截获的电磁信息中包含了大量噪声成分,导致检测的过程受阻;
5、(3)关于电磁泄漏的相关检测工作多数以风险评估作为主要目的,技术目标主要集中在是否存在泄漏风险这种“有没有”的问题上,缺乏对泄漏信号进一步检测识别的研究,即“是什么”以及泄漏信息处在信号具体什么位置的问题。
6、因此对计算机键盘的电磁泄漏信息检测就是确认这种风险的存在,对其进行深入的研究具有重要的科研价值及实践意义。
技术实现思路
1、本发明针对复杂电磁环境下键盘泄漏信号信噪比低、检测识别难度大这一问题,提出一个适用于键盘泄漏信号去噪的算法—sadan,基于对抗博弈思想,利用生成式对抗网络与自注意力机制,使鉴别器与去噪器的判别能力和去噪能力在学习过程中不断增强。
2、为实现上述目的,本发明提供了如下方案:基于生成对抗网络的键盘电磁泄漏信号降噪方法,包括以下步骤:
3、s1、采集键盘原始含噪泄漏信号,生成待降噪数据;所述原始含噪泄漏信号包括:原始电磁信号和环境噪声信号;
4、s2、构建sadan网络模型,基于所述sadan网络模型对所述待降噪数据进行去噪,完成键盘电磁泄漏信号降噪处理。
5、优选地,所述sadan网络模型包括:去噪器和鉴别器;
6、所述去噪器由卷积层、self-attention层、反卷积层和relu激活层构成;所述去噪器用于对所述待降噪数据进行去噪,得到去噪信号;
7、所述鉴别器由卷积层、self-attention层和leakyrelu激活层构成;所述鉴别器用于对所述去噪信号进行真伪判断,输出判断为真的所述去噪信号。
8、优选地,所述去噪器采用均方误差作为损失函数:
9、
10、式中,lg表示去噪器损失函数,m表示环境噪声切片与键盘原始电磁信号切片组合的对数,xi表示键盘原始电磁信号中的第i个信号值,yi表示键盘含噪泄漏信号中的第i个信号值,g表示去噪器为键盘含噪泄漏信号到去噪信号所建立的映射。
11、优选地,所述鉴别器采用铰链损失函数:
12、ld=-εx~pt[min(0,-1+d(x))]-εg~pt[min(0,-1-d(g))]
13、式中,ld表示鉴别器损失函数;e表示数学期望;pt表示键盘原始电磁信号分布,x表示键盘原始电磁信号,g表示去噪信号,d为鉴别器建立的映射,对输入的x与g进行鉴别。
14、优选地,所述sadan网络模型的训练方法包括:
15、s21、将所述原始电磁信号输入至所述鉴别器中进行训练、学习;
16、s22、将所述原始含噪泄漏信号与所述原始电磁信号的切片输入至去噪器中,并输出所述去噪信号,并将所述去噪信号输入至所述鉴别器中判断真伪;
17、s23、计算所述sadan网络模型的损失函数值,并将损失误差进行反向传播,优化更新所述sadan网络模型的参数;
18、s24、重复s21-s23,所述损失误差稳定时,所述sadan网络模型训练完成。
19、本发明还提供基于生成对抗网络的键盘电磁泄漏信号降噪系统,包括:采集模块与去噪模块;
20、所述采集模块用于采集键盘原始含噪泄漏信号,生成待降噪数据;所述原始含噪泄漏信号包括:原始电磁信号和环境噪声信号;
21、所述去噪模块用于构建sadan网络模型,并基于所述sadan网络模型对所述待降噪数据进行去噪,完成键盘电磁泄漏信号降噪处理。
22、优选地,所述sadan网络模型包括:去噪器和鉴别器;
23、所述去噪器由卷积层、self-attention层、反卷积层和relu激活层构成;所述去噪器用于对所述待降噪数据进行去噪,得到去噪信号;
24、所述鉴别器由卷积层、self-attention层和leakyrelu激活层构成;所述鉴别器用于对所述去噪信号进行真伪判断,输出判断为真的所述去噪信号。
25、优选地,所述去噪器采用均方误差作为损失函数:
26、
27、式中,lg表示去噪器损失函数,m表示环境噪声切片与键盘原始电磁信号切片组合的对数,xi表示键盘原始电磁信号中的第i个信号值,yi表示键盘含噪泄漏信号中的第i个信号值,g表示去噪器为键盘含噪泄漏信号到去噪信号所建立的映射。
28、优选地,所述鉴别器采用铰链损失函数:
29、ld=-εx~pt[min(0,-1+d(x))]-εg~pt[min(0,-1-d(g))]
30、式中,ld表示鉴别器损失函数;e表示数学期望;pt表示键盘原始电磁信号分布,x表示键盘原始电磁信号,g表示去噪信号,d为鉴别器建立的映射,对输入的x与g进行鉴别。
31、优选地,所述去噪模块对所述sadan网络模型进行训练方法包括:
32、步骤1、将所述原始电磁信号输入至所述鉴别器中进行训练、学习;
33、步骤2、将所述原始含噪泄漏信号与所述原始电磁信号的切片输入至去噪器中,并输出所述去噪信号,并将所述去噪信号输入至所述鉴别器中判断真伪;
34、步骤3、计算所述sadan网络模型的损失函数值,并将损失误差进行反向传播,优化更新所述sadan网络模型的参数;
35、步骤4、重复步骤1-步骤3,所述损失误差稳定时,所述sadan网络模型训练完成。
36、与现有技术相比,本发明的有益效果为:
37、本发明所提出的适用于对键盘辐射耦合泄漏信号去噪的算法—sadan,包含一个鉴别器和一个去噪器。鉴别器能够对键盘原始电磁信号进行真伪判别;去噪器则能够将键盘含噪信号中的噪声进行压制,输出去噪信号,并由鉴别器进行去噪效果的判别;自注意力机制的引入使模型对键盘泄漏信号序列具有全局分析能力;构建全新的损失体系,使网络优化更加高效。最终将去噪信号输入gru-cn检测算法中进行检测识别取得了较好的结果,证明了sadan作为键盘电磁泄漏信号去噪方法的有效性。