茅劍 唐妮 劉晉明 馬通邊

（1. 集美大學(xué)計(jì)算機(jī)工程學(xué)院,廈門 361021；2. 中國(guó)電子科技集團(tuán)公司第三十三研究所,太原 030006）

引 言

隨著電子設(shè)備的快速發(fā)展與廣泛應(yīng)用，設(shè)備自身的信息安全問(wèn)題日益凸顯.研究發(fā)現(xiàn)，計(jì)算機(jī)、數(shù)控系統(tǒng)等電子設(shè)備在處理信息時(shí)，內(nèi)部的電流變化會(huì)產(chǎn)生電磁輻射，向外界發(fā)射電磁信號(hào)[1].這些無(wú)意發(fā)射的非通信電磁信號(hào)，攜帶著設(shè)備內(nèi)的有用信息，有可能被偵收并通過(guò)還原技術(shù)進(jìn)行信息復(fù)現(xiàn)[2-4]，導(dǎo)致敏感信息泄漏，危及信息安全.

1985 年，W.van Eck 披露計(jì)算機(jī)顯示器電磁輻射泄漏信息的偵收與還原技術(shù)細(xì)節(jié)，引起了研究者對(duì)電磁信息泄漏問(wèn)題的關(guān)注[5].在計(jì)算機(jī)系統(tǒng)中，顯示器的圖像輸出是人機(jī)交互的主要方式，而系統(tǒng)內(nèi)和系統(tǒng)間互連各類數(shù)據(jù)線纜承載著信息的傳輸，因此計(jì)算機(jī)線纜是電磁信息泄漏攻擊的重要目標(biāo)[6].MarKus G.Kuhn 研究發(fā)現(xiàn)LCD 顯示器與CRT 顯示器一樣會(huì)通過(guò)無(wú)意電磁發(fā)射泄漏視頻信息[7]，顯示器的視頻圖形陣列(video graphics array，VGA)接口則是重要的泄漏源.H Tanaka 等在30 m 處通過(guò)電流探圈截獲筆記本電腦電源線所泄漏的電磁信息，并還原出顯示屏上的圖像信息[8].文獻(xiàn)[9]研究了帶有液晶顯示器的臺(tái)式計(jì)算機(jī)工作中產(chǎn)生的視頻信息泄密電磁發(fā)射的測(cè)量、還原和信息認(rèn)知.文獻(xiàn)[10]針對(duì)計(jì)算機(jī)高清多媒體接口(high definition multimedia interface，HDMI)建立了視頻信息特征模型，使用小波分解設(shè)計(jì)頻域隱匿處理算法.文獻(xiàn)[11]通過(guò)對(duì)電源線傳導(dǎo)泄漏進(jìn)行分析，建立了泄漏模型.文獻(xiàn)[12]依據(jù)電源線泄漏特征，使用分類統(tǒng)計(jì)方法進(jìn)行了圖像重建.文獻(xiàn)[13]對(duì)計(jì)算機(jī)網(wǎng)絡(luò)互聯(lián)電纜建立了電路輻射發(fā)射模型，并有效抑制了電路輻射.電磁泄漏信息的特征與其泄漏源有關(guān)，現(xiàn)有的文獻(xiàn)多是在已知泄漏源的基礎(chǔ)上，對(duì)電磁泄漏信號(hào)進(jìn)行分析與處理，依賴于先驗(yàn)知識(shí)與操作經(jīng)驗(yàn)對(duì)電磁泄漏信號(hào)進(jìn)行特征查找，對(duì)于不同電磁環(huán)境的適應(yīng)性不足.

目前深度學(xué)習(xí)在模式分類領(lǐng)域應(yīng)用廣泛，具有強(qiáng)大的能力和靈活性[14-15]，可以從大數(shù)據(jù)中學(xué)習(xí)相關(guān)特征，形成智能判斷識(shí)別能力.本文采用深度學(xué)習(xí)算法，針對(duì)VGA、HDMI、網(wǎng)絡(luò)傳輸線纜和計(jì)算機(jī)電源線中無(wú)意傳導(dǎo)發(fā)射的電磁信號(hào)，學(xué)習(xí)并提取其中的電磁特征，實(shí)現(xiàn)電磁信息泄漏的智能識(shí)別.

1 計(jì)算機(jī)線纜的電磁泄漏特征分析

連接計(jì)算機(jī)的各型線纜是產(chǎn)生電磁傳導(dǎo)泄漏的主要途徑.分析計(jì)算機(jī)線纜泄漏的電磁信號(hào)特征，可為電磁信息泄漏檢測(cè)提供判別依據(jù).本文在正常的室內(nèi)環(huán)境下，使用電流卡鉗和信號(hào)處理設(shè)備，對(duì)4 種計(jì)算機(jī)線纜所泄漏的電磁信號(hào)進(jìn)行采樣分析.

VGA 線纜是最常見(jiàn)的視頻傳輸線纜.它基于VGA 標(biāo)準(zhǔn)傳輸模擬視頻信號(hào)，當(dāng)顯示器的分辨率為1 024×768、刷新率為60 Hz 時(shí)，VGA 線纜所泄漏的視頻信號(hào)頻譜圖如圖1 所示.

當(dāng)VGA 線纜傳輸信號(hào)時(shí)，線纜中的視頻信息會(huì)以傳導(dǎo)耦合的方式沿著計(jì)算機(jī)電源線傳播，從而造成電源線上的信息泄漏[16].

根據(jù)視頻電子標(biāo)準(zhǔn)協(xié)會(huì)(Video Electronics Standards Association,VESA)發(fā)布的計(jì)算機(jī)顯示器工業(yè)標(biāo)準(zhǔn)和指南[17]，顯示器在1 024×768@60 Hz 的顯示模式下的行頻為48.363 kHz，所以從圖1 和圖2 可以看出，兩個(gè)信號(hào)在行頻點(diǎn)上都有較高的峰值，為信息泄漏的頻點(diǎn).兩個(gè)信號(hào)的包絡(luò)分布相似，這是由于計(jì)算機(jī)電源線上的視頻信號(hào)是從VGA 線纜上耦合而來(lái)的.使用信號(hào)復(fù)現(xiàn)技術(shù)復(fù)現(xiàn)計(jì)算機(jī)電源線上泄漏的電磁信號(hào)，經(jīng)驗(yàn)證其與VGA 線纜上泄漏的視頻信息相同.由此可見(jiàn)，即使有先驗(yàn)知識(shí)，也難以根據(jù)頻譜特征直接區(qū)分泄漏源的線纜類型.

圖1 VGA 線纜視頻泄漏電磁信號(hào)頻譜Fig.1 EM signal spectrum leaked from VGA cable with video

圖2 計(jì)算機(jī)電源線視頻泄漏電磁信號(hào)頻譜Fig.2 Spectrum of EM signal leaked from power line of computers

HDMI 線纜也是目前常用的音視頻傳輸線纜[18].HDMI 線纜傳輸過(guò)程中所采集的電磁泄漏信號(hào)頻譜如圖3 所示.

根據(jù)VESA 指南，顯示器在1 024×768@60 Hz 的顯示模式下，其像素時(shí)鐘頻率為65 MHz.文獻(xiàn)[19]指出了HDMI 線纜電磁信息泄漏原理，由于HDMI線纜所傳輸?shù)囊曨l信號(hào)經(jīng)過(guò)最小化傳輸差分信號(hào)(time minimized differential signal,TMDS)編碼，在一個(gè)像素時(shí)鐘周期中可傳輸10 bit 的數(shù)據(jù)，其傳輸速率可達(dá)650 Mbps.本文使用1.25 GS/s 采樣率以獲取圖3中的信號(hào)，依據(jù)文獻(xiàn)[19]，在650 MHz 內(nèi)的波瓣中包含了所傳輸?shù)囊曨l信息.

圖3 HDMI 線纜視頻泄漏電磁信號(hào)頻譜Fig.3 Spectrum of EM signal leaked from HEMI cable with video

常用的網(wǎng)絡(luò)互聯(lián)電纜為非屏蔽雙絞線(unshielded twisted pair，UTP)，通過(guò)串行傳輸數(shù)字信號(hào)，可以通過(guò)分頻、分時(shí)、分位等方式被竊取和還原[20].UTP 線纜傳輸數(shù)據(jù)時(shí)所泄漏的視頻信號(hào)的頻譜圖如圖4 所示.

圖4 UTP 線纜泄漏電磁信號(hào)頻譜Fig.4 Spectrum of EM signal leaked from UTP cable

由于各型線纜在傳輸信息時(shí)所用的編碼方式不同，理論上各自泄漏的電磁信號(hào)也應(yīng)具有不同的特征.但實(shí)際電磁環(huán)境中存在著噪聲干擾，計(jì)算機(jī)線纜作為泄漏源，其泄漏信號(hào)特征往往難以區(qū)分，進(jìn)而識(shí)別泄漏信號(hào)中隱藏的信息就更加困難.因此本文提出一種基于深度學(xué)習(xí)的電磁信息泄漏分析方法.

2 基于深度學(xué)習(xí)的計(jì)算機(jī)線纜電磁信息泄漏分析方法

深度學(xué)習(xí)是一種特征遞進(jìn)式的學(xué)習(xí)算法，能夠?qū)W習(xí)到數(shù)據(jù)中更為復(fù)雜抽象的深層特征.本文基于深度學(xué)習(xí)，設(shè)計(jì)了一個(gè)電磁信息泄漏分析方法.該分析方法在未知電磁信息泄漏源與特征的條件下，使用深度學(xué)習(xí)對(duì)電磁泄漏信息進(jìn)行特征提取，分兩步進(jìn)行分析與檢測(cè).第一步對(duì)電磁信息進(jìn)行分析判斷其泄漏源；第二步對(duì)泄漏的電磁信息進(jìn)行檢測(cè)，首先判別電磁信號(hào)中是否包含信息，再進(jìn)而識(shí)別其中的信息類別.分析流程如圖5 所示.

圖5 電磁信息泄漏分析流程Fig.5 Analysis process of EM information leakage

2.1 電磁泄漏信號(hào)預(yù)處理

本文所采集的原始信號(hào)是時(shí)間序列樣本，所處的初始觀測(cè)域是時(shí)域.

為了更好地提取電磁泄漏信號(hào)中的信息特征，需要對(duì)信號(hào)進(jìn)行預(yù)處理，以便在不同的觀測(cè)域?qū)π盘?hào)進(jìn)行特征分析.

常見(jiàn)的視頻泄漏信號(hào)在頻譜上具有豐富的周期與頻率特征.本文采用的第二種觀測(cè)域是頻域，所使用的預(yù)處理方法是快速傅里葉變換(fast Fourier transform,FFT)[21]:

式中：X(k)為 經(jīng)過(guò)計(jì)算之后的頻譜信號(hào)序列；x(n)為時(shí)域信號(hào)序列；N為信號(hào)序列的長(zhǎng)度.

第三種觀測(cè)域是小波域.小波濾波[22]在非平穩(wěn)信號(hào)處理中應(yīng)用廣泛，通過(guò)小波變換(wavelet transform，WT)對(duì)電磁泄漏信號(hào)進(jìn)行尺度分解之后，再利用閾值法等對(duì)小波系數(shù)進(jìn)行過(guò)濾并重構(gòu)，可以提升泄漏信號(hào)的信噪比.WT 的公式為

第四種觀測(cè)域是倒譜域.倒譜分析[23](cepstrum)對(duì)電磁信號(hào)的傅里葉變換譜進(jìn)行對(duì)數(shù)運(yùn)算，可以分離電磁泄漏信號(hào)中的乘性噪聲，改善信號(hào)質(zhì)量：

式中：傅里葉變換后的數(shù)據(jù)可分為實(shí)部和虛部，X(ejw)為x(n)經(jīng) 過(guò)公式(1)計(jì)算后的實(shí)數(shù)部分；Ceps(n)為實(shí)倒譜的計(jì)算結(jié)果.

對(duì)采集的原始時(shí)域信號(hào)，使用不同的信號(hào)預(yù)處理方法，在各觀測(cè)域上對(duì)比分析其檢測(cè)性能.

2.2 基于CNN 的電磁信息泄漏源檢測(cè)

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)作為深度學(xué)習(xí)算法，已在圖像處理、文本分析、語(yǔ)音識(shí)別等領(lǐng)域表現(xiàn)出優(yōu)異的能力[24].本文為圖5 中的泄漏源檢測(cè)模塊設(shè)計(jì)了一個(gè)包含兩個(gè)卷積層的CNN結(jié)構(gòu)，命名為D-CNN，用以識(shí)別4 種不同的泄漏源線纜，如圖6 所示.該分析方法能在未知電磁信息泄漏源的情況下，通過(guò)訓(xùn)練實(shí)測(cè)的電磁信號(hào)，提取信號(hào)特征，生成具有分析能力的CNN 模型[25].將待測(cè)的電磁信號(hào)，輸入到訓(xùn)練好的D-CNN 模型中，經(jīng)過(guò)CNN 的逐層特征提取，最后在全連接層輸出各個(gè)分類的預(yù)測(cè)得分，通過(guò)計(jì)算判別電磁信息泄漏源.

圖6 電磁信息泄漏源檢測(cè)流程Fig.6 The source identification process of EM information leakage

CNN 由輸入層、輸出層和隱藏層構(gòu)成[26]，其結(jié)構(gòu)設(shè)計(jì)影響檢測(cè)模型的準(zhǔn)確率、魯棒性等.本文的D-CNN 網(wǎng)絡(luò)，針對(duì)一維電磁泄漏信號(hào)特征而設(shè)計(jì)，包含兩個(gè)一維卷積層、兩個(gè)池化層和一個(gè)全連接層，結(jié)構(gòu)如圖7 所示.

圖7 D-CNN 結(jié)構(gòu)圖Fig.7 D-CNN model structure

D-CNN 的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1 所示.CNN 的輸入為頻譜信號(hào)，長(zhǎng)度為16 384.CNN 將輸入層的數(shù)據(jù)傳遞到卷積層和池化層，經(jīng)過(guò)特征提取和轉(zhuǎn)化之后，將具有64 個(gè)通道且長(zhǎng)度為1 024 的特征向量輸入到全連接層中，最終由全連接層對(duì)特征進(jìn)行匯總并輸出結(jié)果.

表1 D-CNN 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表Tab.1 D-CNN network structure parameters

1)卷積層

卷積層的特點(diǎn)為參數(shù)共享和局部連接，并且利用平移不變性從全局信號(hào)提取局部特征.卷積函數(shù)的計(jì)算公式為

式中：?表示卷積運(yùn)算；N是CNN 中各層的索引號(hào)；X(N)和X(N+1)分別是卷積計(jì)算過(guò)程中第N層所輸入和輸出的特征向量；W(N)是 第N層CNN 的權(quán)值向量；B(N)是 第N層的偏置向量.

2)寬卷積

D-CNN 的卷積層使用寬卷積，即卷積過(guò)程中的填充方法為“SAME”填充.采用填充“0”的方式對(duì)卷積運(yùn)算中的輸入特征邊緣進(jìn)行補(bǔ)全，可以有效地保留原始的輸入特征信息.

3)激活函數(shù)

激活函數(shù)負(fù)責(zé)對(duì)卷積層抽取的特征進(jìn)行非線性映射，D-CNN 采用 ReLU 作為激活函數(shù)，ReLU能夠過(guò)濾小于0 的值，保留非負(fù)值，產(chǎn)生單側(cè)抑制的效果，在提高學(xué)習(xí)精度的同時(shí)緩解梯度消失的問(wèn)題.ReLU函數(shù)的計(jì)算公式為

在ReLU函數(shù)之后，使用Dropout 函數(shù)，并設(shè)置概率值為0.5，用于抑制CNN 的過(guò)度擬合；之后使用最大池化(max Pooling)進(jìn)行下采樣，對(duì)特征進(jìn)行篩選，有效減少網(wǎng)絡(luò)參數(shù)并輸出池化域內(nèi)最大的特征值.

4)全連接層

全連接層使用 SoftMax作 為激活函數(shù)，SoftMax函數(shù)計(jì)算公式為

式中：i為進(jìn)行運(yùn)算的元素序號(hào)；Si表示第i個(gè)元素在(0，1)區(qū)間內(nèi)的映射.

CNN 訓(xùn)練采用基于梯度下降的Adam 優(yōu)化器.根據(jù)前期試驗(yàn)，本文將學(xué)習(xí)率設(shè)為0.000 1，使得計(jì)算高效，網(wǎng)絡(luò)中的權(quán)值更加精細(xì).

2.3 基于CNN 的電磁泄漏信息檢測(cè)

針對(duì)計(jì)算機(jī)線纜泄漏的視頻信息，繼續(xù)使用CNN 對(duì)信號(hào)中隱藏的特征進(jìn)行提取，進(jìn)行電磁信息泄漏檢測(cè)，判定其泄漏風(fēng)險(xiǎn).電磁信息泄漏檢測(cè)流程與圖6 相似.

文獻(xiàn)[27]曾提出多圖CNN (multi-graph CNN,MGCNN)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于檢測(cè)電磁泄漏信息，其在 與AlexNet、GoogleNet 和VGGNet三個(gè)經(jīng)典的圖像分類算法相比時(shí)展現(xiàn)出優(yōu)異的識(shí)別性能.

本文對(duì)MGCNN 中的卷積結(jié)構(gòu)進(jìn)行改進(jìn)，在一維卷積層與 ReLU層之間添加一個(gè)批標(biāo)準(zhǔn)化(batch normalization，BN)層，如圖8 所示，并命名為D-CNN-BN.

圖8 D-CNN-BN 的卷積層結(jié)構(gòu)圖Fig.8 Convolution layer structure of D-CNN-BN

使用BN 方法，在卷積運(yùn)算后對(duì)數(shù)據(jù)進(jìn)行歸一化，可在一定程度上緩解過(guò)擬合[28]，加快梯度下降優(yōu)化收斂，提高訓(xùn)練精度.BN 算法如下：

1)計(jì)算上一層輸出數(shù)據(jù)的均值

2)計(jì)算上一層輸出數(shù)據(jù)的標(biāo)準(zhǔn)差

3)歸一化計(jì)算

4)對(duì)歸一化后的數(shù)據(jù)進(jìn)行重構(gòu)

式(7)～(10)中：x是上一層的輸出結(jié)果；m是此次訓(xùn)練樣本batch 的大小；ε是接近于0 的很小值，可避免分母為0 的情況；β、γ為學(xué)習(xí)參數(shù).

3 計(jì)算機(jī)線纜的電磁信息泄漏分析實(shí)驗(yàn)與分析

根據(jù)本文提出的電磁信息泄漏分析方法，計(jì)算機(jī)線纜的電磁信息泄漏分析實(shí)驗(yàn)分為電磁信息泄漏源檢測(cè)和電磁泄漏信息檢測(cè)兩個(gè)步驟.每步實(shí)驗(yàn)的過(guò)程都包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、模型訓(xùn)練和模型驗(yàn)證.

3.1 基于CNN 的電磁信息泄漏源檢測(cè)實(shí)驗(yàn)

在基于CNN 的電磁信息泄漏源檢測(cè)實(shí)驗(yàn)中，檢測(cè)的泄漏源為4 種計(jì)算機(jī)線纜：VGA 線纜、計(jì)算機(jī)電源線、HDMI 線纜和UTP.

3.1.1 數(shù)據(jù)采集與處理

本文的數(shù)據(jù)采集與測(cè)試都在正常的室內(nèi)工作環(huán)境下，未屏蔽其他電子設(shè)備的電磁干擾.

電磁泄漏信號(hào)采集裝置由A.H.Systems BCP-620 卡鉗和型號(hào)為NI PXIe-5 162 的信號(hào)處理設(shè)備組成.卡鉗用于電磁泄漏信息的收集，信號(hào)處理設(shè)備的采集精度為10 bit，主要用于信號(hào)的處理和存儲(chǔ).被采集的設(shè)備包含型號(hào)DELL OptiPLex3240 的LCD 顯示器、攜帶HDMI 接口的AOC I2490PXC 顯示器、計(jì)算機(jī)主機(jī)和HP 筆記本電腦，電磁泄漏信息采集方式如圖9 所示.

圖9 電磁泄漏信息的采集方式Fig.9 Electromagnetic signal leakage collection of different cables

實(shí)驗(yàn)中采集了4 種不同線纜的電磁泄漏樣本.在不考慮還原泄漏信息的前提下，僅為了識(shí)別泄漏源特征，所使用的采樣率均為1 MS/s.所采集的電磁泄漏信號(hào)為時(shí)域序列，分別使用FFT、WT 和倒譜對(duì)信號(hào)樣本進(jìn)行預(yù)處理，在時(shí)域、頻域、小波域、倒譜域4 個(gè)觀測(cè)域上分別對(duì)數(shù)據(jù)進(jìn)行模型訓(xùn)練.信號(hào)樣本長(zhǎng)度為16 384.

經(jīng)過(guò)數(shù)據(jù)的采集與處理，每個(gè)觀測(cè)域上的數(shù)據(jù)集各包含了5 472 個(gè)電磁信息泄漏樣本，如表2 所示.

表2 電磁信息泄漏源檢測(cè)實(shí)驗(yàn)樣本數(shù)Tab.2 EM information leakage detection dataset

3.1.2 泄漏源檢測(cè)

將表2 中的電磁信號(hào)樣本按照不同的線纜將數(shù)據(jù)分為4 類并標(biāo)注類別標(biāo)簽，每類的樣本數(shù)為1 368，以4∶1 的比例分為訓(xùn)練集與測(cè)試集.

泄漏源檢測(cè)采用D-CNN 結(jié)構(gòu).利用監(jiān)督學(xué)習(xí)的方式進(jìn)行訓(xùn)練，使用梯度下降方法對(duì)模型進(jìn)行迭代，使得預(yù)測(cè)結(jié)果逐漸逼近真實(shí)標(biāo)簽.模型訓(xùn)練的迭代次數(shù)(Epochs) 設(shè)置為200.實(shí)驗(yàn)采用5 折交叉驗(yàn)證，取5 輪的平均值作為性能評(píng)價(jià)依據(jù).算法性能的評(píng)價(jià)指標(biāo)為準(zhǔn)確率和召回率.與經(jīng)典的機(jī)器學(xué)習(xí)分類算法極限梯度提升(extreme gradient boosting，XGBOOST)、隨機(jī)森林(random forest，RF) 和樸素貝葉斯(Na?ve Bayes，NB)[29]的實(shí)驗(yàn)結(jié)果對(duì)比如表3 所示.

表3 泄漏源檢測(cè)算法性能對(duì)比Tab.3 Performance comparison of source detection by different algorithms

從表3 可以看出，總體而言，D-CNN 模型的準(zhǔn)確率和召回率大幅度優(yōu)于XGBOOST、RF、和NB 模型.特別是在頻域上，D-CNN 模型能夠得到最優(yōu)的性能，其準(zhǔn)確率的平均值在95%之上，召回率可達(dá)到93%.

實(shí)驗(yàn)證明本文提出的方法在未知電磁信號(hào)泄漏源的前提下，能夠提取電磁信號(hào)特征并判別電磁泄漏源.

3.2 基于CNN 的電磁泄漏信息檢測(cè)實(shí)驗(yàn)

本實(shí)驗(yàn)基于圖5 中泄漏信息檢測(cè)流程，采用DCNN-BN 網(wǎng)絡(luò)結(jié)構(gòu).

3.2.1 數(shù)據(jù)采集與處理

實(shí)驗(yàn)采用與圖9 中相同的數(shù)據(jù)采集方式，采樣率為250 MS/s，對(duì)VGA 線纜和電源線進(jìn)行電磁信息泄漏數(shù)據(jù)采集.實(shí)驗(yàn)選取黑白文字圖像，以及公開數(shù)據(jù)集CIFAR-10 中飛機(jī)和貓各10 張實(shí)物圖片作為信息泄漏的激勵(lì)，如圖10 所示.將黑、白屏狀態(tài)下的電磁信號(hào)定義為無(wú)信息泄漏的樣本.

圖10 實(shí)驗(yàn)圖像示例Fig.10 Examples of images

250 MS/s 的采樣率下，一幀圖像所包含的電磁信號(hào)數(shù)據(jù)量過(guò)大，使得D-CNN-BN 網(wǎng)絡(luò)過(guò)于龐大，大幅度提升了計(jì)算成本.考慮圖像信息具有冗余性，本實(shí)驗(yàn)為了平衡算法執(zhí)行速度和檢測(cè)精度，對(duì)信號(hào)進(jìn)行降采樣.降采樣后的數(shù)據(jù)也進(jìn)行了FFT、WT、倒譜變換，得到4 種不同觀測(cè)域的實(shí)驗(yàn)數(shù)據(jù)，數(shù)據(jù)分布如表4所示.

表4 電磁泄漏信息檢測(cè)實(shí)驗(yàn)樣本數(shù)Tab.4 Information detection dataset of EM signal leakage

3.2.2 泄漏信息檢測(cè)

將黑白文字圖像和實(shí)物圖像歸為有泄漏信息一類，黑、白屏圖像歸為無(wú)信息一類.每類樣本以4∶1的比例分為訓(xùn)練集與測(cè)試集，再取訓(xùn)練集中的10%作為訓(xùn)練中的校驗(yàn)集.

對(duì)XGBOOST、RF、NB、MGCNN 與D-CNN-BN 5 種算法進(jìn)行對(duì)比實(shí)驗(yàn)，以監(jiān)督學(xué)習(xí)的方式對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，使用梯度下降的方法對(duì)模型進(jìn)行迭代訓(xùn)練，并使用準(zhǔn)確率作為算法性能的評(píng)價(jià)指標(biāo)，結(jié)果如表5所示.

表5 泄漏信息檢測(cè)算法性能對(duì)比Tab.5 Performance comparison of leakage information detection

從實(shí)驗(yàn)結(jié)果可以看出，CNN 算法優(yōu)于其他機(jī)器學(xué)習(xí)算法.其中，本文提出的D-CNN-BN 方法性能最佳.

結(jié)合泄漏源檢測(cè)實(shí)驗(yàn)，對(duì)比各個(gè)觀測(cè)域上的檢測(cè)性能，頻域的檢測(cè)效果最好.這是由于電磁信號(hào)在頻域上有較強(qiáng)的周期和頻率特征，二維的視頻信息映射到頻域上，通過(guò)CNN 能提取并學(xué)習(xí)其特征，實(shí)現(xiàn)有效的分類識(shí)別.

單獨(dú)對(duì)比MGCNN 與D-CNN-BN 兩種算法，由于增加了BN 操作，在時(shí)域上D-CNN-BN 的性能有了大幅提升.進(jìn)一步分析BN 對(duì)CNN 的優(yōu)化作用，將兩種網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練情況進(jìn)行對(duì)比，結(jié)果如圖11 所示.

圖11 MGCNN 和D-CNN-BN 算法性能對(duì)比Fig.11 Performance comparison of MGCNN and D-CNN-BN algorithms

圖11 表明，在CNN 結(jié)構(gòu)中加入BN 之后，訓(xùn)練損失率下降得更快，加快了算法的收斂速度，從而增強(qiáng)了模型的魯棒性.

使用表5 中的實(shí)物圖像數(shù)據(jù)集對(duì)算法進(jìn)行進(jìn)一步驗(yàn)證，比較D-CNN-BN 和MGCNN 用于區(qū)分泄漏圖像信息的性能表現(xiàn).實(shí)驗(yàn)選取飛機(jī)和貓2 類圖像泄漏信號(hào)進(jìn)行二分類識(shí)別檢測(cè)，采用5 折交叉驗(yàn)證，每輪實(shí)驗(yàn)從2 類信號(hào)中分別抽取8 幅圖像產(chǎn)生的泄漏信號(hào)樣本作為訓(xùn)練集，其余作為測(cè)試樣本，以驗(yàn)證算法對(duì)未知圖像信息的檢測(cè)能力.由于前期實(shí)驗(yàn)已經(jīng)證明頻域信號(hào)的檢測(cè)效果最佳，本實(shí)驗(yàn)只選取頻域作為觀測(cè)域.對(duì)比實(shí)驗(yàn)的結(jié)果如表6 所示.

表6 圖像信息內(nèi)容檢測(cè)性能對(duì)比Tab.6 Performance comparison of image information detection

實(shí)驗(yàn)表明，D-CNN-BN 算法的性能明顯優(yōu)于MGCNN 算法，且算法的執(zhí)行效率也高于MGCNN 算法.在實(shí)際的電磁環(huán)境中，利用BN 可以提升CNN 模型的檢測(cè)性能，提取電磁信號(hào)中隱藏的視頻圖像特征，進(jìn)而分類預(yù)測(cè)泄漏圖像信息的類型.

4 結(jié) 論

本文采用深度學(xué)習(xí)的CNN 算法建立了用于電磁信息泄漏分析的D-CNN 模型，在未知電磁信號(hào)泄漏源的情況下，能夠?qū)﹄姶判盘?hào)進(jìn)行分析，并準(zhǔn)確預(yù)測(cè)出電磁信號(hào)的泄漏源.相較于傳統(tǒng)的通過(guò)操作經(jīng)驗(yàn)與先驗(yàn)知識(shí)對(duì)電磁泄漏信息進(jìn)行分析的方法，本文提出的智能分析方法提高了電磁泄漏信息分析效率，在信噪比低的情況下，也能準(zhǔn)確提取信號(hào)中的特征判斷泄漏源，準(zhǔn)確率達(dá)到95%以上.在前人對(duì)顯示器電磁信息泄漏檢測(cè)的基礎(chǔ)上，優(yōu)化其CNN 結(jié)構(gòu)，設(shè)計(jì)了D-CNN-BN 網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)添加BN 層使模型中梯度下降求解最優(yōu)值的速度更快，同時(shí)避免了過(guò)擬合的問(wèn)題，在小樣本的情況下也能有較高的電磁泄漏信息檢測(cè)效率與準(zhǔn)確率.本文提出的方法可以通過(guò)添加更多的泄漏源，優(yōu)化D-CNN 的網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)，以獲取更高的準(zhǔn)確率，增加模型的泛化能力，使模型更加高效與穩(wěn)定.