顯示器電磁信息泄漏的機(jī)器學(xué)習(xí)檢測方法研究

關(guān)天敏,韓振中,茅 劍

1集美大學(xué)信息工程學(xué)院 廈門 中國 361021

2國防科技大學(xué)電子對抗學(xué)院 合肥 中國 230000

3集美大學(xué)計(jì)算機(jī)工程學(xué)院 廈門 中國 361021

4廈門市涉密信息技術(shù)重點(diǎn)實(shí)驗(yàn)室 廈門 中國 361021

1 引言

電子信息設(shè)備在工作過程中,會產(chǎn)生無意的、非主觀通信的電磁輻射。研究表明[1],無意輻射泄漏的電磁信號可能包含設(shè)備相關(guān)的有用信息,如果對泄漏信號進(jìn)行截獲分析,將導(dǎo)致電子信息設(shè)備的信息泄漏,從而對電磁信息安全構(gòu)成嚴(yán)重威脅。關(guān)于電磁信息泄漏研究稱為TEMPEST,美國是TEMPEST研究發(fā)展最早的國家之一,已有幾十年的技術(shù)發(fā)展史,制定了從技術(shù)到管理的一系列標(biāo)準(zhǔn)。隨后歐洲和日本也相繼開展了TEMPEST研究。1985 年,Van Eck[2]實(shí)現(xiàn)了低成本的攻擊實(shí)驗(yàn),他用價(jià)值僅幾百美元的器件對普通電視機(jī)進(jìn)行改造,然后將其安裝在汽車?yán)?在街道上接收到了放置在八層樓上的計(jì)算機(jī)電磁輻射的信息,并顯示出計(jì)算機(jī)屏幕上顯示的圖像。這被認(rèn)為是民用TEMPEST 研究的里程碑事件。1998年起,英國劍橋大學(xué)的Markus G.Kuhn,針對計(jì)算機(jī)的CRT[3-4]、LCD[5-7]顯示器開展了電磁信息泄漏截獲復(fù)現(xiàn)實(shí)驗(yàn),取得了一系列成果; 并且基于顯示器的電磁信息泄漏原理提出了一種信息隱藏傳輸方法(Soft TEMPEST)[8]。2010 年,Hidenori Sekiguchi[9-10]研究了觸摸屏的電磁信息泄漏問題,從截獲重建后的顯示圖像中識別出觸摸屏的按鍵操作圖像。2011年,Taishi Ikematsu等[11]從定量的角度討論了電磁場噪聲抑制技術(shù)與信息泄漏抑制技術(shù)的區(qū)別,在定量評價(jià)信號和噪聲分量的基礎(chǔ)上,研究了信息泄漏及其有效對策。2013年,Yuichi Hayashi等[12]提出了一種基于電磁干擾理論的分析密碼體制中電磁信息泄漏的方法,能根據(jù)板尺寸、電源線長度等物理參數(shù)獲取電磁輻射的頻率特性。2016年起,徐艷云等研究了信息設(shè)備電磁信息泄漏的還原圖像文本識別和檢測距離估計(jì)方法[13-14]。

現(xiàn)有的研究主要集中在明確的環(huán)境條件下,依據(jù)已知的電磁信息特征檢測電磁信息泄漏,而對未知的變化的環(huán)境條件下,無法自適應(yīng)地檢測。傳統(tǒng)的電磁圖像檢測方法主要基于圖像重建后的人為識別,存在局限性。檢測設(shè)備必須具有足夠的采樣精度,以保證能夠捕獲足夠的像素信息。即使獲得了足夠的圖像像素?cái)?shù)據(jù),沒有精確同步信號的指導(dǎo),圖像也無法重建。此外,識別結(jié)果容易受到操作人員經(jīng)驗(yàn)的影響。因此,本文探索了一種新的識別方法,以減少人為干預(yù)對識別的影響,并使識別過程盡量擺脫對先驗(yàn)知識的依賴。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是深度學(xué)習(xí)的重要算法,目前在圖像識別[15-16],降噪[17-18],目標(biāo)檢測[19-21]和信號檢測[22-25]等領(lǐng)域廣泛應(yīng)用并表現(xiàn)良好。2017年,Chen Sisi等[22]嘗試使用卷積神經(jīng)網(wǎng)絡(luò)對太陽射電頻譜進(jìn)行分類。2018年,Pan Jun等[23]提出了一種深度學(xué)習(xí)網(wǎng)絡(luò),可以在沒有先驗(yàn)知識的情況下從原始機(jī)械振動信號中自適應(yīng)地學(xué)習(xí)特征,用于機(jī)械故障診斷。2019年,Jagiasi R.等[25]利用密集卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了一個(gè)不依賴文本、不依賴語言的語音信號識別系統(tǒng)?；贑NN在上述領(lǐng)域中的優(yōu)異表現(xiàn),經(jīng)過探索研究,本文將CNN引入電磁信息泄漏檢測,并針對計(jì)算機(jī)顯示器無意輻射的電磁信號特點(diǎn),設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的電磁信息泄漏檢測方法。實(shí)驗(yàn)證明該檢測方法不僅克服傳統(tǒng)方法無法自適應(yīng)的缺陷,而且在電磁信息泄漏檢測領(lǐng)域具有良好性能。

2 計(jì)算機(jī)顯示器的電磁信息泄漏原理

計(jì)算機(jī)顯示器工作原理是通過逐行掃描,以固定的時(shí)間間隔逐個(gè)刷新屏幕上的每個(gè)像素點(diǎn),以此顯示數(shù)字圖像。這個(gè)過程可視為將二維的圖像矩陣展開成一維的像素時(shí)間序列。每個(gè)像素點(diǎn)刷新時(shí)的電流變化都會產(chǎn)生無意的電磁輻射,輻射的電磁信號會反映圖像中像素的變化情況,如圖 1所示。因此計(jì)算機(jī)顯示器在顯示圖像的過程中,伴隨著與圖像信息有關(guān)的無意電磁輻射,從而導(dǎo)致了電磁信息泄漏。

圖1 顯示圖像過程中的電磁輻射Figure 1 Electromagnetic radiation during image display

通過上述分析,可知計(jì)算機(jī)顯示器泄漏的電磁信息為圖像信息,二維的圖像信息被碎片化在一維的泄漏電磁信號中。因此對顯示器電磁信息泄漏的檢測本質(zhì)是從泄漏的電磁信號中找出圖像信息特征。傳統(tǒng)的電磁圖像檢測方法的第一步所截獲的電磁泄漏信號,是在時(shí)域內(nèi)采集的信號序列,對應(yīng)的是一維像素時(shí)間序列,如圖1所示。根據(jù)之前的分析,一維時(shí)域信號中隱藏著二維圖像信息。如果按照傳統(tǒng)的方法,需要同步信號的指導(dǎo),才能提取復(fù)現(xiàn)二維圖像。本文提出的一種基于卷積神經(jīng)網(wǎng)絡(luò)的電磁圖像檢測方法,在沒有同步信號的先驗(yàn)知識指導(dǎo),完全依靠神經(jīng)網(wǎng)絡(luò)提取信號中的圖像特征。

3 面向電磁信息泄漏的CNN算法設(shè)計(jì)

CNN由于其特有的卷積運(yùn)算,對檢測目標(biāo)具有局部特征感知能力。經(jīng)過探索研究,面向計(jì)算機(jī)顯示器的圖像信息泄漏,針對性地設(shè)計(jì) CNN,通過機(jī)器學(xué)習(xí),提取泄漏電磁信號中隱藏的圖像信息特征。

3.1 顯示器電磁信息泄漏特征提取

目前經(jīng)典的CNN結(jié)構(gòu)大多應(yīng)用于圖像處理領(lǐng)域,還未見有針對電磁信息泄漏檢測或識別所設(shè)計(jì)的CNN架構(gòu)。由于圖像是以二維形式表示的,基于圖像識別的CNN都采用了二維卷積核進(jìn)行特性提取。然而,在電磁信息泄漏檢測中,數(shù)字化信號采集設(shè)備接收的電磁信號是一維形式的數(shù)字序。顯然,借助傳統(tǒng)圖像領(lǐng)域中的二維CNN來識別一維電磁泄漏信號是不合適的。因此,本文提出一個(gè)適用于電磁圖像信息識別的 CNN結(jié)構(gòu),命名為MGCNN,該結(jié)構(gòu)特別地采用一維卷積核。利用MGCNN提取電磁信息泄漏特征的過程示意如圖2所示。

圖2 MGCNN提取電磁信息泄漏特征示意圖Figure 2 Schematic diagram of electromagnetic information leakage feature extracted by MGCNN

卷積和池化是CNN方法的核心。在電磁信息泄漏檢測過程中,檢測儀器接收到的電磁信號數(shù)值化后的形式為一維序列。為了直接從電磁信號序列中提取特征信息,MGCNN的卷積層滑動一維卷積核,使其與對應(yīng)信號序列片段進(jìn)行卷積運(yùn)算,從而提取顯示器圖像信息的局部特征,并將其組合成特征向量。池化層通過降維操作進(jìn)一步壓縮特征向量。

3.2 MGCNN

本小節(jié)詳細(xì)介紹本文提出的MGCNN結(jié)構(gòu)。經(jīng)過電磁信息泄漏檢測實(shí)踐,針對電磁信號特點(diǎn)設(shè)計(jì)的MGCNN由兩個(gè)卷積層、兩個(gè)池化層和一個(gè)全連接層組成,如圖3所示。

MGCNN每一層的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示。網(wǎng)絡(luò)的輸入為預(yù)處理之后的一維信號,長度為 8192。經(jīng)過逐層的計(jì)算和特征提取之后,到達(dá)全連接層之前的輸出為16個(gè)通道的特征向量,每個(gè)特征向量長度為256。

以下介紹MGCNN中各層的計(jì)算過程和作用。

3.2.1 卷積層

卷積層的作用是提取一維電磁信號中泄漏的信息特征。

圖3 MGCNN結(jié)構(gòu)Figure 3 Structure of MGCNN

表1 MGCNN結(jié)構(gòu)參數(shù)Table 1 MGCNN Structure parameter

(1) 一維卷積(Conv1D)

本文特別設(shè)計(jì)一維卷積核來提取電磁信號中的信息特性。一維卷積計(jì)算過程是以特定的步長,滑動卷積濾波器的窗口,有序地提取輸入信號的局部特征。兩個(gè)卷積層分別設(shè)置了相應(yīng)的尺寸,如表1所示,逐層抽取并壓縮電磁泄漏信息特征。

卷積計(jì)算的公式如下所示:

其中L是神經(jīng)網(wǎng)絡(luò)中各層的索引號,X(L)和X(L+1)分別為計(jì)算過程中第L層的輸入和輸出特征向量,W(L)是第L層神經(jīng)網(wǎng)絡(luò)的權(quán)值向量,B(L)是第L層的偏置向量。

(2) ReLU

MGCNN選擇 ReLU作為激活函數(shù)。與以往的Sigmoid和Tanh函數(shù)相比,ReLU激活函數(shù)可以緩解梯度消失問題,有助于抑制深度學(xué)習(xí)的過擬合問題,提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度。ReLU的計(jì)算公式如下所示:

將Conv1D和ReLU的合并計(jì)算,計(jì)算過程可以表示為下式:

(3) Dropout

在ReLU函數(shù)之后,網(wǎng)絡(luò)中還加上了Dropout函數(shù),其作用是緩解網(wǎng)絡(luò)的過擬合。其原理是以一定概率減少網(wǎng)絡(luò)中傳遞的特征數(shù)量,使部分參數(shù)不更新。Dropout函數(shù)的計(jì)算如下所示:

ri,j(L)是一個(gè)獨(dú)立的伯努利隨機(jī)變量,它以p的概率取值為1,以1-p的概率取值為0。神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)傳輸受到Dropout函數(shù)影響之后,如下式:

其中xi,j(L)是第L層的特征值X(L)中的第i個(gè)通道的序列中第j個(gè)單元的數(shù)值;x*i,j(L)是Dropout之后的單元值。在本文的實(shí)驗(yàn)中,p設(shè)為0.5。

3.2.2 池化層

池化層,即下采樣層,通過特征壓縮,減少神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)和參數(shù)的數(shù)量,從而抑制網(wǎng)絡(luò)的過擬合,簡化計(jì)算復(fù)雜度。本文采用Max pooling的池化方法,以固定的步長,在特征序列上滑動取樣窗口,將窗口內(nèi)所有單元的最大值保留至下一層。本文中的池化層步長和窗口均取值為2,經(jīng)過池化層處理后,特征向量的長度壓縮為原先的一半。

3.2.3 全連接層

全連接層將前一層輸出的特征向量以完全連接的方式進(jìn)行加權(quán)計(jì)算后,輸出分類預(yù)測結(jié)果。在本文中,全連接層之后緊接著采用Softmax函數(shù)獲取同分布最高概率輸出。Softmax函數(shù)可以將全連接層之后的特征向量,映射成同尺寸的向量,使得向量中每一個(gè)元素的數(shù)值規(guī)范在 0～1之間,并且這些元素的和為1。全連接加上Softmax的作用是將神經(jīng)網(wǎng)絡(luò)中各層計(jì)算提取的電磁信息特征映射成最終的分類識別得分,最終根據(jù)得分值大小判斷當(dāng)前電磁信號中隱藏的信息。

在電磁信息泄漏檢測工作中,利用實(shí)測電磁泄漏信號,對 MGCNN網(wǎng)絡(luò)進(jìn)行基于反向傳播機(jī)制的訓(xùn)練,即深度學(xué)習(xí)過程,可以得到具有電磁信息泄漏特征提取能力的MGCNN模型。MGCNN模型中由卷積和池化構(gòu)成的多層結(jié)構(gòu),可以逐層提取電磁輻射信號中隱藏的信息泄漏特征向量; 多個(gè)卷積核的分別運(yùn)算形成的多個(gè)特征通道,可以同時(shí)從不同角度提取電磁信號中的信息泄漏特征分量,解決電磁信號中的多元信息檢測問題。

4 顯示器電磁信息泄漏檢測實(shí)驗(yàn)設(shè)計(jì)

基于 MGCNN的顯示器電磁信息泄漏檢測方法,包括電磁信號樣本采集、數(shù)據(jù)預(yù)處理、生成訓(xùn)練數(shù)據(jù)、機(jī)器學(xué)習(xí)模型訓(xùn)練與獲取。實(shí)驗(yàn)流程如圖4所示。

圖4 實(shí)驗(yàn)流程圖Figure 4 Flow diagram of experiment

4.1 樣本采集

本文中的實(shí)驗(yàn)環(huán)境為正常的室內(nèi)環(huán)境。不同于常見電磁檢測所需的電磁屏蔽暗室,實(shí)驗(yàn)未采取任何屏蔽措施,以驗(yàn)證本文提出的方法在較復(fù)雜電磁環(huán)境下的有效性。

采集顯示器的電磁輻射的裝置如圖 5所示。檢測對象是型號為PHILIPS HWE9220F的計(jì)算機(jī)顯示器,該顯示器通過VGA視頻線纜連接在臺式計(jì)算機(jī)上。信號采集設(shè)備包括一個(gè)卡鉗式電磁信號探頭和一臺信號接收機(jī),電磁信號探頭的型號為A.H.Systems BCP-620,信號接收機(jī)的型號為 NI PXIe-5162。

圖5 實(shí)驗(yàn)裝置Figure 5 Experimental device

電磁信號探頭從連接工作顯示器的VGA線纜上截獲電磁輻射信號,連接探頭的信號接收機(jī)對電磁信號進(jìn)行采樣和存儲。采集的信號樣本為記錄顯示器線纜上電磁輻射幅值變化情況的時(shí)域序列。

本次實(shí)驗(yàn)選取了圖像識別的公開數(shù)據(jù)集CIFAR-10中的20幅圖像作為實(shí)驗(yàn)圖像。這20幅圖像均為實(shí)物照片,分為飛機(jī)和貓共兩類,每類圖像各10張。圖像的內(nèi)容示例如圖5所示。飛機(jī)圖像作為第一類;貓圖像作為第二類。

圖6 飛機(jī)和貓圖像示例Figure 6 Examples of airplane and cat images

實(shí)驗(yàn)中,顯示器的工作分辨率設(shè)為 640×480@60Hz,將 20幅圖像分別顯示在計(jì)算機(jī)顯示器上。然后以 1MS/s的采樣率對每幅圖像產(chǎn)生的電磁輻射進(jìn)行信號采集,每幅圖像分別采集了1220個(gè)信號樣本,如表2所示。

表2 采集內(nèi)容Table 2 Collection Content

4.2 樣本預(yù)處理

圖像信息識別流程的第一步所截獲的電磁泄漏信號,是在時(shí)域內(nèi)采集的信號序列,對應(yīng)的是一維像素時(shí)間序列。根據(jù)之前的分析,一維時(shí)域信號中隱藏著二維圖像信息。如果按照傳統(tǒng)的方法,需要同步信號的指導(dǎo),才能提取復(fù)現(xiàn)二維圖像。本文提出的新方法沒有同步信號的先驗(yàn)知識指導(dǎo),完全依靠神經(jīng)網(wǎng)絡(luò)提取信號中的圖像特征。而原始的二維圖像特征分散到一維序列中之后,難以提取出二維圖像的特征。

因此,預(yù)處理過程將采集到的時(shí)域信號轉(zhuǎn)換為頻譜信號。這是因?yàn)轭l譜可以增強(qiáng)信號的周期和頻率特性。圖像的電磁輻射信號含有豐富的周期和頻率特征: 同步信號是明顯的周期信號,圖像的空間特征也可以映射到頻域。這些特征以及其他未知的電磁信息特征被CNN提取和學(xué)習(xí),成為識別圖像內(nèi)容的基礎(chǔ)。

采集原始數(shù)據(jù)之后,要對這些原始數(shù)據(jù)進(jìn)行處理。原始數(shù)據(jù)內(nèi)包括很多參數(shù)描述,需要將其處理成標(biāo)準(zhǔn)的數(shù)組格式。處理后的樣本由 24400個(gè)長度為16384的時(shí)域信號。圖7是第一類和第二類圖像的電磁信號時(shí)域圖示例。

在時(shí)域處理的基礎(chǔ)上,對其進(jìn)行傅里葉變換,會將原本的長度為16384的樣本轉(zhuǎn)換成長度為8192的樣本。圖 8是第一類和第二類圖像的電磁信號頻域圖示例。

4.3 訓(xùn)練數(shù)據(jù)生成

本實(shí)驗(yàn)為針對電磁泄漏信號中圖像信息的二分類實(shí)驗(yàn)。實(shí)驗(yàn)采用五折交叉驗(yàn)證,將數(shù)據(jù)集中來自20幅圖像的 24400個(gè)電磁信號樣本平均分為五份,每份中包含4幅圖像的樣本共4880個(gè)。每一次交叉驗(yàn)證,選取五份樣本其中的一份作為測試樣本,其余的四份樣本作為訓(xùn)練樣本,即每次使用16幅已知圖像的電磁泄漏信號數(shù)據(jù)執(zhí)行 MGCNN模型訓(xùn)練,然后利用訓(xùn)練好的模型對剩余 4幅未知圖像的電磁泄漏信號進(jìn)行識別,以檢測電磁信號中隱藏的圖像信息泄漏。

圖7 電磁信號時(shí)域圖Figure 7 Time domain diagram of electromagnetic signals

圖8 電磁信號頻域圖Figure 8 Frequency domain diagram of electromagnetic signal

4.4 MGCNN模型訓(xùn)練與獲取

實(shí)驗(yàn)使用 TensorFlow框架實(shí)現(xiàn)本文設(shè)計(jì)的MGCNN模型,利用梯度下法訓(xùn)練模型,并獲得分類檢測模型,實(shí)現(xiàn)電磁泄漏信息樣本分類檢測。在算法的訓(xùn)練過程中,優(yōu)化器為自適應(yīng)矩估計(jì)(Adaptive moment estimation,Adam),批處理大小設(shè)置為 100,學(xué)習(xí)率為0.001,數(shù)據(jù)一共訓(xùn)練50輪。通過五折交叉驗(yàn)證進(jìn)行實(shí)驗(yàn),取5次測試的平均值作為實(shí)驗(yàn)的結(jié)果。

5 實(shí)驗(yàn)結(jié)果與分析

為了比較傳統(tǒng)的電磁圖像檢測方法,設(shè)計(jì)了傳統(tǒng)檢測方法流程: 檢測儀器采集電磁輻射信號,根據(jù)采樣率、分辨率和刷新率,對一維電磁信號進(jìn)行二維重排,形成可視化圖像,然后通過肉眼識別檢測。為了實(shí)現(xiàn)檢測性能的量化對比,在對比實(shí)驗(yàn)中,改造了傳統(tǒng)檢測方法,即在傳統(tǒng)圖像重建基礎(chǔ)上,把肉眼識別檢測改成利用機(jī)器學(xué)習(xí)方法進(jìn)行識別檢測,如圖9所示。其中機(jī)器學(xué)習(xí)分類算法選取AlexNet、GoogleNet和 VGGNET三個(gè)經(jīng)典的圖像分類算法:分別標(biāo)記為 AlexNet_Tra、GoogleNet_Tra和VGGNet_Tra。

圖9 傳統(tǒng)檢測方法流程Figure 9 Traditional detection method flow

此外,為了比較本文提出的MGCNN算法的性能,在缺乏電磁圖像信息識別的同類一維卷積算法的情況下,本文設(shè)計(jì)了面向時(shí)頻信號的二維 CNN檢測方法,選取了三個(gè)經(jīng)典的圖像識別 CNN結(jié)構(gòu)進(jìn)行對比實(shí)驗(yàn): AlexNet、GoogLeNet和VGGNet。它們都是在圖像識別大賽中獲得優(yōu)勝的經(jīng)典算法。由于上述三個(gè)算法均是采用二維卷積運(yùn)算,在使用它們進(jìn)行對比實(shí)驗(yàn)時(shí),將電磁信號樣本進(jìn)行短時(shí)傅里葉變換轉(zhuǎn)換成二維的時(shí)頻信號圖,輸入樣本尺寸為 227×227。對于MGCNN,本實(shí)驗(yàn)還特別增加了時(shí)域信號的對比實(shí)驗(yàn),即對采集到的時(shí)域信號不做傅里葉變換處理,直接輸入 MGCNN。在本實(shí)驗(yàn)中,為了以示區(qū)分,基于時(shí)域信號的MGCNN被標(biāo)記為MGCNN_T,基于頻域信號的MGCNN被標(biāo)記為MGCNN_F。

本實(shí)驗(yàn)中,算法性能的評價(jià)選取了準(zhǔn)確率、精確率、召回率和F1四項(xiàng)指標(biāo)。上述算法經(jīng)過五折交叉驗(yàn)證后,將五次實(shí)驗(yàn)的平均值記錄在表3中。為了直觀對比,又將實(shí)驗(yàn)結(jié)果可視化為圖10。

對比實(shí)驗(yàn)結(jié)果可以看出,傳統(tǒng)檢測方法是在二維時(shí)域信號上進(jìn)行分類識別,其性能低于面向時(shí)頻信號的二維CNN檢測方法的識別性能。同時(shí),一維頻域信號的MGCNN_F檢測方法明顯優(yōu)于一維時(shí)域信號的 MGCNN_T檢測方法,也優(yōu)于傳統(tǒng)檢測方法和面向時(shí)頻信號的二維 CNN檢測方法。這證明了MGCNN相比與傳檢測方法和面向時(shí)頻信號的二維CNN檢測方法,更能適應(yīng)電磁圖像信息識別。其原因在于,本文以顯示器上二維圖像的無意輻射產(chǎn)生的一維電磁信號作為檢測對象,目的是從一維電磁信號中檢測識別出圖像信息。然而,傳統(tǒng)檢測方法和面向時(shí)頻信號的二維檢測方法都是對二維數(shù)據(jù)進(jìn)行檢測,在檢測之前分別對一維時(shí)域和一維頻域樣本進(jìn)行了升維處理,然后使用二維CNN進(jìn)行檢測。由于升維處理過程缺乏有效圖像信息的指導(dǎo),在不同程度上破壞了一維電磁信號中隱藏的圖像特征,從而導(dǎo)致圖像檢測質(zhì)量的下降。

表3 1MS/s采樣率下各算法性能對比Table 3 Comparison of performance of each algorithm at 1MS/s sampling rate

圖10 各算法的性能對比Figure 10 Performance comparison of each algorithm

MGCNN不僅識別性能更好,算法的執(zhí)行效率也大大優(yōu)于其他結(jié)構(gòu)。由于MGCNN采用了一維卷積,網(wǎng)絡(luò)層次結(jié)構(gòu)也較為簡單,在相同樣本量的訓(xùn)練時(shí)長上,MGCNN僅為AlexNet的1/3、GoogLeNet的1/5、VGGNet的1/15。因此,MGCNN在算法的性能和效率兩方面均占優(yōu)。

此外,同為MGCNN結(jié)構(gòu),對于頻域信號的分類識別性能也優(yōu)于時(shí)域信號,這是因?yàn)轭l譜可以增強(qiáng)信號的周期和頻率特性。圖像的電磁輻射信號含有豐富的周期和頻率特征: 同步信號是明顯的周期信號,圖像的空間特征也存在周期特性,可以映射到頻域。這些特征以及其它未知特征被MGCNN提取和學(xué)習(xí),成為識別圖像內(nèi)容的基礎(chǔ)。需要說明的是,預(yù)處理的過程并沒有定義和提取信號特征。預(yù)處理只是將信號轉(zhuǎn)換到不同的分析域,便于后續(xù)的識別計(jì)算。有別于傳統(tǒng)方法,基于MGCNN算法的檢測方法不需事先明確待測信息的特征。這說明頻域信號能夠更好地表示電磁信號中的圖像信息,證明了本文識別方法中信號預(yù)處理能夠提升識別性能。

傳統(tǒng)檢測方法必須要已知圖像信息特征,如顯示器圖像的分辨率和刷新率。本實(shí)驗(yàn)在未知圖像信息特征情況下,通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí),自適應(yīng)地提取圖像信息特征,從而實(shí)現(xiàn)顯示器電磁信息泄漏檢測。因此相對于傳統(tǒng)檢測方法,基于MGCNN的機(jī)器學(xué)習(xí)檢測方法,對于未知特征的電磁信息泄漏檢測具有更好的適應(yīng)性。

6 結(jié)論

本文針對計(jì)算機(jī)顯示器的無意電磁信息泄漏問題,分析顯示器的電磁信息泄漏機(jī)理,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn),闡釋卷積神經(jīng)網(wǎng)絡(luò)模型提取電磁泄漏信息特征的原理,提出了一個(gè)基于 MGCNN的電磁圖像信息自適應(yīng)的識別方法。通過大量采集顯示器無意發(fā)射的電磁信號,建立了電磁圖像信息泄漏樣本數(shù)據(jù)集。在建立數(shù)據(jù)集的基礎(chǔ)上,經(jīng)過對比實(shí)驗(yàn)證明,提出的方法在識別性能和算法效率上優(yōu)于傳統(tǒng)檢測方法和經(jīng)典的CNN方法,同時(shí)克服了傳統(tǒng)電磁圖像檢測方法需要預(yù)先明確電磁信息特征的缺陷?；贛GCNN的檢測方法在電磁圖像信息識別上得到了驗(yàn)證,但并不意味著該方法只能局限于檢測顯示器的電磁圖像信息泄漏。在電磁信息安全的應(yīng)用領(lǐng)域中,其最終目的是為目前以計(jì)算機(jī)為代表的電子信息設(shè)備及其部件的電磁信息泄漏問題提供智能化的檢測新手段。