計算機線纜的電磁信息泄漏智能分析方法

茅劍 唐妮 劉晉明 馬通邊

（1. 集美大學計算機工程學院,廈門 361021；2. 中國電子科技集團公司第三十三研究所,太原 030006）

引 言

隨著電子設備的快速發展與廣泛應用，設備自身的信息安全問題日益凸顯.研究發現，計算機、數控系統等電子設備在處理信息時，內部的電流變化會產生電磁輻射，向外界發射電磁信號[1].這些無意發射的非通信電磁信號，攜帶著設備內的有用信息，有可能被偵收并通過還原技術進行信息復現[2-4]，導致敏感信息泄漏，危及信息安全.

1985 年，W.van Eck 披露計算機顯示器電磁輻射泄漏信息的偵收與還原技術細節，引起了研究者對電磁信息泄漏問題的關注[5].在計算機系統中，顯示器的圖像輸出是人機交互的主要方式，而系統內和系統間互連各類數據線纜承載著信息的傳輸，因此計算機線纜是電磁信息泄漏攻擊的重要目標[6].MarKus G.Kuhn 研究發現LCD 顯示器與CRT 顯示器一樣會通過無意電磁發射泄漏視頻信息[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[9]研究了帶有液晶顯示器的臺式計算機工作中產生的視頻信息泄密電磁發射的測量、還原和信息認知.文獻[10]針對計算機高清多媒體接口(high definition multimedia interface，HDMI)建立了視頻信息特征模型，使用小波分解設計頻域隱匿處理算法.文獻[11]通過對電源線傳導泄漏進行分析，建立了泄漏模型.文獻[12]依據電源線泄漏特征，使用分類統計方法進行了圖像重建.文獻[13]對計算機網絡互聯電纜建立了電路輻射發射模型，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，現有的文獻多是在已知泄漏源的基礎上，對電磁泄漏信號進行分析與處理，依賴于先驗知識與操作經驗對電磁泄漏信號進行特征查找，對于不同電磁環境的適應性不足.

目前深度學習在模式分類領域應用廣泛，具有強大的能力和靈活性[14-15]，可以從大數據中學習相關特征，形成智能判斷識別能力.本文采用深度學習算法，針對VGA、HDMI、網絡傳輸線纜和計算機電源線中無意傳導發射的電磁信號，學習并提取其中的電磁特征，實現電磁信息泄漏的智能識別.

1 計算機線纜的電磁泄漏特征分析

連接計算機的各型線纜是產生電磁傳導泄漏的主要途徑.分析計算機線纜泄漏的電磁信號特征，可為電磁信息泄漏檢測提供判別依據.本文在正常的室內環境下，使用電流卡鉗和信號處理設備，對4 種計算機線纜所泄漏的電磁信號進行采樣分析.

VGA 線纜是最常見的視頻傳輸線纜.它基于VGA 標準傳輸模擬視頻信號，當顯示器的分辨率為1 024×768、刷新率為60 Hz 時，VGA 線纜所泄漏的視頻信號頻譜圖如圖1 所示.

當VGA 線纜傳輸信號時，線纜中的視頻信息會以傳導耦合的方式沿著計算機電源線傳播，從而造成電源線上的信息泄漏[16].

根據視頻電子標準協會(Video Electronics Standards Association,VESA)發布的計算機顯示器工業標準和指南[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，兩個信號在行頻點上都有較高的峰值，為信息泄漏的頻點.兩個信號的包絡分布相似，這是由于計算機電源線上的視頻信號是從VGA 線纜上耦合而來的.使用信號復現技術復現計算機電源線上泄漏的電磁信號，經驗證其與VGA 線纜上泄漏的視頻信息相同.由此可見，即使有先驗知識，也難以根據頻譜特征直接區分泄漏源的線纜類型.

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

圖2 計算機電源線視頻泄漏電磁信號頻譜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 線纜傳輸過程中所采集的電磁泄漏信號頻譜如圖3 所示.

根據VESA 指南，顯示器在1 024×768@60 Hz 的顯示模式下，其像素時鐘頻率為65 MHz.文獻[19]指出了HDMI 線纜電磁信息泄漏原理，由于HDMI線纜所傳輸的視頻信號經過最小化傳輸差分信號(time minimized differential signal,TMDS)編碼，在一個像素時鐘周期中可傳輸10 bit 的數據，其傳輸速率可達650 Mbps.本文使用1.25 GS/s 采樣率以獲取圖3中的信號，依據文獻[19]，在650 MHz 內的波瓣中包含了所傳輸的視頻信息.

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

常用的網絡互聯電纜為非屏蔽雙絞線(unshielded twisted pair，UTP)，通過串行傳輸數字信號，可以通過分頻、分時、分位等方式被竊取和還原[20].UTP 線纜傳輸數據時所泄漏的視頻信號的頻譜圖如圖4 所示.

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

由于各型線纜在傳輸信息時所用的編碼方式不同，理論上各自泄漏的電磁信號也應具有不同的特征.但實際電磁環境中存在著噪聲干擾，計算機線纜作為泄漏源，其泄漏信號特征往往難以區分，進而識別泄漏信號中隱藏的信息就更加困難.因此本文提出一種基于深度學習的電磁信息泄漏分析方法.

2 基于深度學習的計算機線纜電磁信息泄漏分析方法

深度學習是一種特征遞進式的學習算法，能夠學習到數據中更為復雜抽象的深層特征.本文基于深度學習，設計了一個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，使用深度學習對電磁泄漏信息進行特征提取，分兩步進行分析與檢測.第一步對電磁信息進行分析判斷其泄漏源；第二步對泄漏的電磁信息進行檢測，首先判別電磁信號中是否包含信息，再進而識別其中的信息類別.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 電磁泄漏信號預處理

本文所采集的原始信號是時間序列樣本，所處的初始觀測域是時域.

為了更好地提取電磁泄漏信號中的信息特征，需要對信號進行預處理，以便在不同的觀測域對信號進行特征分析.

常見的視頻泄漏信號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域是頻域，所使用的預處理方法是快速傅里葉變換(fast Fourier transform,FFT)[21]:

式中：X(k)為 經過計算之后的頻譜信號序列；x(n)為時域信號序列；N為信號序列的長度.

第三種觀測域是小波域.小波濾波[22]在非平穩信號處理中應用廣泛，通過小波變換(wavelet transform，WT)對電磁泄漏信號進行尺度分解之后，再利用閾值法等對小波系數進行過濾并重構，可以提升泄漏信號的信噪比.WT 的公式為

第四種觀測域是倒譜域.倒譜分析[23](cepstrum)對電磁信號的傅里葉變換譜進行對數運算，可以分離電磁泄漏信號中的乘性噪聲，改善信號質量：

式中：傅里葉變換后的數據可分為實部和虛部，X(ejw)為x(n)經 過公式(1)計算后的實數部分；Ceps(n)為實倒譜的計算結果.

對采集的原始時域信號，使用不同的信號預處理方法，在各觀測域上對比分析其檢測性能.

2.2 基于CNN 的電磁信息泄漏源檢測

卷積神經網絡(convolutional neural network,CNN)作為深度學習算法，已在圖像處理、文本分析、語音識別等領域表現出優異的能力[24].本文為圖5 中的泄漏源檢測模塊設計了一個包含兩個卷積層的CNN結構，命名為D-CNN，用以識別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，通過訓練實測的電磁信號，提取信號特征，生成具有分析能力的CNN 模型[25].將待測的電磁信號，輸入到訓練好的D-CNN 模型中，經過CNN 的逐層特征提取，最后在全連接層輸出各個分類的預測得分，通過計算判別電磁信息泄漏源.

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

CNN 由輸入層、輸出層和隱藏層構成[26]，其結構設計影響檢測模型的準確率、魯棒性等.本文的D-CNN 網絡，針對一維電磁泄漏信號特征而設計，包含兩個一維卷積層、兩個池化層和一個全連接層，結構如圖7 所示.

圖7 D-CNN 結構圖Fig.7 D-CNN model structure

D-CNN 的網絡結構參數如表1 所示.CNN 的輸入為頻譜信號，長度為16 384.CNN 將輸入層的數據傳遞到卷積層和池化層，經過特征提取和轉化之后，將具有64 個通道且長度為1 024 的特征向量輸入到全連接層中，最終由全連接層對特征進行匯總并輸出結果.

表1 D-CNN 網絡結構參數表Tab.1 D-CNN network structure parameters

1)卷積層

卷積層的特點為參數共享和局部連接，并且利用平移不變性從全局信號提取局部特征.卷積函數的計算公式為

式中：?表示卷積運算；N是CNN 中各層的索引號；X(N)和X(N+1)分別是卷積計算過程中第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，即卷積過程中的填充方法為“SAME”填充.采用填充“0”的方式對卷積運算中的輸入特征邊緣進行補全，可以有效地保留原始的輸入特征信息.

3)激活函數

激活函數負責對卷積層抽取的特征進行非線性映射，D-CNN 采用 ReLU 作為激活函數，ReLU能夠過濾小于0 的值，保留非負值，產生單側抑制的效果，在提高學習精度的同時緩解梯度消失的問題.ReLU函數的計算公式為

在ReLU函數之后，使用Dropout 函數，并設置概率值為0.5，用于抑制CNN 的過度擬合；之后使用最大池化(max Pooling)進行下采樣，對特征進行篩選，有效減少網絡參數并輸出池化域內最大的特征值.

4)全連接層

全連接層使用 SoftMax作 為激活函數，SoftMax函數計算公式為

式中：i為進行運算的元素序號；Si表示第i個元素在(0，1)區間內的映射.

CNN 訓練采用基于梯度下降的Adam 優化器.根據前期試驗，本文將學習率設為0.000 1，使得計算高效，網絡中的權值更加精細.

2.3 基于CNN 的電磁泄漏信息檢測

針對計算機線纜泄漏的視頻信息，繼續使用CNN 對信號中隱藏的特征進行提取，進行電磁信息泄漏檢測，判定其泄漏風險.電磁信息泄漏檢測流程與圖6 相似.

文獻[27]曾提出多圖CNN (multi-graph CNN,MGCNN)神經網絡結構，用于檢測電磁泄漏信息，其在 與AlexNet、GoogleNet 和VGGNet三個經典的圖像分類算法相比時展現出優異的識別性能.

本文對MGCNN 中的卷積結構進行改進，在一維卷積層與 ReLU層之間添加一個批標準化(batch normalization，BN)層，如圖8 所示，并命名為D-CNN-BN.

圖8 D-CNN-BN 的卷積層結構圖Fig.8 Convolution layer structure of D-CNN-BN

使用BN 方法，在卷積運算后對數據進行歸一化，可在一定程度上緩解過擬合[28]，加快梯度下降優化收斂，提高訓練精度.BN 算法如下：

1)計算上一層輸出數據的均值

2)計算上一層輸出數據的標準差

3)歸一化計算

4)對歸一化后的數據進行重構

式(7)～(10)中：x是上一層的輸出結果；m是此次訓練樣本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為學習參數.

3 計算機線纜的電磁信息泄漏分析實驗與分析

根據本文提出的電磁信息泄漏分析方法，計算機線纜的電磁信息泄漏分析實驗分為電磁信息泄漏源檢測和電磁泄漏信息檢測兩個步驟.每步實驗的過程都包括數據采集、數據預處理、模型訓練和模型驗證.

3.1 基于CNN 的電磁信息泄漏源檢測實驗

在基于CNN 的電磁信息泄漏源檢測實驗中，檢測的泄漏源為4 種計算機線纜：VGA 線纜、計算機電源線、HDMI 線纜和UTP.

3.1.1 數據采集與處理

本文的數據采集與測試都在正常的室內工作環境下，未屏蔽其他電子設備的電磁干擾.

電磁泄漏信號采集裝置由A.H.Systems BCP-620 卡鉗和型號為NI PXIe-5 162 的信號處理設備組成.卡鉗用于電磁泄漏信息的收集，信號處理設備的采集精度為10 bit，主要用于信號的處理和存儲.被采集的設備包含型號DELL OptiPLex3240 的LCD 顯示器、攜帶HDMI 接口的AOC I2490PXC 顯示器、計算機主機和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

實驗中采集了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為時域序列，分別使用FFT、WT 和倒譜對信號樣本進行預處理，在時域、頻域、小波域、倒譜域4 個觀測域上分別對數據進行模型訓練.信號樣本長度為16 384.

經過數據的采集與處理，每個觀測域上的數據集各包含了5 472 個電磁信息泄漏樣本，如表2 所示.

表2 電磁信息泄漏源檢測實驗樣本數Tab.2 EM information leakage detection dataset

3.1.2 泄漏源檢測

將表2 中的電磁信號樣本按照不同的線纜將數據分為4 類并標注類別標簽，每類的樣本數為1 368，以4∶1 的比例分為訓練集與測試集.

泄漏源檢測采用D-CNN 結構.利用監督學習的方式進行訓練，使用梯度下降方法對模型進行迭代，使得預測結果逐漸逼近真實標簽.模型訓練的迭代次數(Epochs) 設置為200.實驗采用5 折交叉驗證，取5 輪的平均值作為性能評價依據.算法性能的評價指標為準確率和召回率.與經典的機器學習分類算法極限梯度提升(extreme gradient boosting，XGBOOST)、隨機森林(random forest，RF) 和樸素貝葉斯(Na?ve Bayes，NB)[29]的實驗結果對比如表3 所示.

表3 泄漏源檢測算法性能對比Tab.3 Performance comparison of source detection by different algorithms

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

實驗證明本文提出的方法在未知電磁信號泄漏源的前提下，能夠提取電磁信號特征并判別電磁泄漏源.

3.2 基于CNN 的電磁泄漏信息檢測實驗

本實驗基于圖5 中泄漏信息檢測流程，采用DCNN-BN 網絡結構.

3.2.1 數據采集與處理

實驗采用與圖9 中相同的數據采集方式，采樣率為250 MS/s，對VGA 線纜和電源線進行電磁信息泄漏數據采集.實驗選取黑白文字圖像，以及公開數據集CIFAR-10 中飛機和貓各10 張實物圖片作為信息泄漏的激勵，如圖10 所示.將黑、白屏狀態下的電磁信號定義為無信息泄漏的樣本.

圖10 實驗圖像示例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數據量過大，使得D-CNN-BN 網絡過于龐大，大幅度提升了計算成本.考慮圖像信息具有冗余性，本實驗為了平衡算法執行速度和檢測精度，對信號進行降采樣.降采樣后的數據也進行了FFT、WT、倒譜變換，得到4 種不同觀測域的實驗數據，數據分布如表4所示.

表4 電磁泄漏信息檢測實驗樣本數Tab.4 Information detection dataset of EM signal leakage

3.2.2 泄漏信息檢測

將黑白文字圖像和實物圖像歸為有泄漏信息一類，黑、白屏圖像歸為無信息一類.每類樣本以4∶1的比例分為訓練集與測試集，再取訓練集中的10%作為訓練中的校驗集.

對XGBOOST、RF、NB、MGCNN 與D-CNN-BN 5 種算法進行對比實驗，以監督學習的方式對數據進行訓練，使用梯度下降的方法對模型進行迭代訓練，并使用準確率作為算法性能的評價指標，結果如表5所示.

表5 泄漏信息檢測算法性能對比Tab.5 Performance comparison of leakage information detection

從實驗結果可以看出，CNN 算法優于其他機器學習算法.其中，本文提出的D-CNN-BN 方法性能最佳.

結合泄漏源檢測實驗，對比各個觀測域上的檢測性能，頻域的檢測效果最好.這是由于電磁信號在頻域上有較強的周期和頻率特征，二維的視頻信息映射到頻域上，通過CNN 能提取并學習其特征，實現有效的分類識別.

單獨對比MGCNN 與D-CNN-BN 兩種算法，由于增加了BN 操作，在時域上D-CNN-BN 的性能有了大幅提升.進一步分析BN 對CNN 的優化作用，將兩種網絡結構的訓練情況進行對比，結果如圖11 所示.

圖11 MGCNN 和D-CNN-BN 算法性能對比Fig.11 Performance comparison of MGCNN and D-CNN-BN algorithms

圖11 表明，在CNN 結構中加入BN 之后，訓練損失率下降得更快，加快了算法的收斂速度，從而增強了模型的魯棒性.

使用表5 中的實物圖像數據集對算法進行進一步驗證，比較D-CNN-BN 和MGCNN 用于區分泄漏圖像信息的性能表現.實驗選取飛機和貓2 類圖像泄漏信號進行二分類識別檢測，采用5 折交叉驗證，每輪實驗從2 類信號中分別抽取8 幅圖像產生的泄漏信號樣本作為訓練集，其余作為測試樣本，以驗證算法對未知圖像信息的檢測能力.由于前期實驗已經證明頻域信號的檢測效果最佳，本實驗只選取頻域作為觀測域.對比實驗的結果如表6 所示.

表6 圖像信息內容檢測性能對比Tab.6 Performance comparison of image information detection

實驗表明，D-CNN-BN 算法的性能明顯優于MGCNN 算法，且算法的執行效率也高于MGCNN 算法.在實際的電磁環境中，利用BN 可以提升CNN 模型的檢測性能，提取電磁信號中隱藏的視頻圖像特征，進而分類預測泄漏圖像信息的類型.

4 結 論

本文采用深度學習的CNN 算法建立了用于電磁信息泄漏分析的D-CNN 模型，在未知電磁信號泄漏源的情況下，能夠對電磁信號進行分析，并準確預測出電磁信號的泄漏源.相較于傳統的通過操作經驗與先驗知識對電磁泄漏信息進行分析的方法，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，也能準確提取信號中的特征判斷泄漏源，準確率達到95%以上.在前人對顯示器電磁信息泄漏檢測的基礎上，優化其CNN 結構，設計了D-CNN-BN 網絡結構，通過添加BN 層使模型中梯度下降求解最優值的速度更快，同時避免了過擬合的問題，在小樣本的情況下也能有較高的電磁泄漏信息檢測效率與準確率.本文提出的方法可以通過添加更多的泄漏源，優化D-CNN 的網絡結構與參數，以獲取更高的準確率，增加模型的泛化能力，使模型更加高效與穩定.