测量仪器、测量系统以及信号处理方法技术方案

描述了一种用于测试被测器件的测量仪器(14)。被测器件(12)具有至少两个测试点(20、24)。该测量仪器(14)包括第一测量通道(30)、第二测量通道(32)以及机器学习模块(34)。第一测量通道(30)被配置为处理与至少两个测试点(20、24)中的一个相关联的第一输入信号，从而生成第一测量信号。第二测量通道(32)被配置为处理与至少两个测试点中的另一个相关联的第二输入信号，从而生成第二测量信号。机器学习模块(34)被配置为基于第一测量信号和基于第二测量信号确定至少一个相关量，其中该至少一个相关量指示第一测量信号和第二测量信号之间的相关性。此外，描述了一种测量系统(10)和信号处理方法。信号处理方法。信号处理方法。

Measuring instrument, measuring system and signal processing method

【技术实现步骤摘要】
测量仪器、测量系统以及信号处理方法


[0001]本专利技术总体上涉及一种用于测试被测器件的测量仪器。本专利技术还涉及一种用于测试被测器件的信号处理方法。

技术介绍

[0002]在某些情况下，电子系统的特定信号可能在某些或所有时间无法满足其要求。这种故障可能有多种原因，例如电路板设计不当或者关于信号本身的次优设置。
[0003]这种故障的另一个原因可能是电子系统内其它信号的影响。在这种情况下，电子系统的用户必须确定是哪个信号导致了被观察信号中的问题。术语“查找攻击者”通常用于描述此类调试问题。
[0004]通常，对一组信号进行长时间观察，以便观察被观察信号与任何潜在攻击信号之间的任何关系。如果关系不明显，例如某种线性耦合，则查找攻击者可能是一项耗时的任务。
[0005]因此，本专利技术的目的是提供测量仪器、测量系统以及信号处理方法，以允许更容易地识别攻击信号。

技术实现思路

[0006]根据本专利技术，提供了一种用于测试具有至少两个测试点的被测器件的测量仪器。该测量仪器包括第一测量通道、第二测量通道以及机器学习模块。第一测量通道被配置为处理与至少两个测试点中的一个相关联的第一输入信号，从而生成第一测量信号。第二测量通道被配置为处理与至少两个测试点中的另一个相关联的第二输入信号，从而生成第二测量信号。机器学习模块被配置为基于第一测量信号和基于第二测量信号确定至少一个相关量，其中至少一个相关量指示第一测量信号和第二测量信号之间的相关性。
[0007]本专利技术基于以下思想，使用合适的机器学习技术借助于机器学习模块来分析第一测量信号和第二测量信号之间的相关性。
[0008]更准确地说，机器学习模块被训练成基于第一测量信号和基于第二测量信号以完全自动的方式确定至少一个相关量。
[0009]如果测量信号之间存在一定量的相关性，则这是被测器件中生成第一输入信号的电子元件可能正在影响被测器件中生成第二输入信号的电子元件有力指示，或者反之亦然。
[0010]因此，至少一个所确定的相关量可被用于识别被测器件内的攻击信号。
[0011]特别地，机器学习模块可以被配置为基于所确定的至少一个相关量来自动确定第一输入信号和第二输入信号中的至少一个是否为攻击信号(即，不必要地影响其它输入信号)。
[0012]可替选地或附加地，可以向用户展示至少一个相关量，使得测量仪器的用户可以基于所确定的至少一个相关量来决定输入信号之一是否为攻击信号。
[0013]即使关于攻击信号的最终结论不是由机器学习模块执行的，对于用户来说，至少一个所确定的相关量也比包括第一输入信号和第二输入信号的长期观察的大量数据更容易处理。因此，根据本专利技术的测量仪器对于用户来说更易于处理。
[0014]此外，至少一个相关量是完全自动确定的，使得用于识别攻击信号的所需时间显著减少。
[0015]根据本专利技术的一个方面，机器学习模块包括人工神经网络。人工神经网络被训练成基于第一测量信号和基于第二测量信号来确定至少一个相关量。第一测量信号和/或第二测量信号是人工神经网络的输入量。至少一个相关量是人工神经网络的输出量。
[0016]根据本专利技术的又一个方面，人工神经网络包括自编码器。第一测量信号和/或第二测量信号是自编码器的输入量。至少一个相关量是自编码器的输出量。
[0017]自编码器可被训练成从第一测量信号和/或第二测量信号中提取最相关的信息，并且基于所提取的信息确定至少一个相关量。
[0018]在本专利技术的实施例中，机器学习模块被配置为尝试基于第一测量信号重构第二测量信号，以便确定至少一个相关量。换句话说，机器学习模块被训练成基于第一测量信号重构第二测量信号(或者反之亦然)。如果机器学习模块成功地基于第一测量信号(至少部分地)重构第二测量信号，则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此，在这种情况下可以得出结论，第一输入信号相对于第二输入信号是攻击信号。
[0019]根据本专利技术的另一个方面，至少一个相关量包括重构函数，其中重构函数描述第二测量信号对第一测量信号的依赖性。换句话说，机器学习模块尝试找到描述第二测量信号S2(x)依赖于第一测量信号S1(x)的重构函数S2(x)＝f(S1(x))，其中x代表时间变量和/或频率变量。如果可以找到这样的函数f，则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此，在这种情况下可以得出结论，第一输入信号相对于第二输入信号是攻击信号。
[0020]重构函数f可以是非线性函数。因此，可以识别输入信号之间的非线性相关性。因此，使用机器学习模块以便确定至少一个相关量具有可被识别的非线性相关性的附加优势。
[0021]特别地，机器学习模块可被训练成查找(非线性)重构函数S2(x)＝f(S
1,i
(x),S
2,i
(x))，该重构函数描述了第二测量信号S2(x)依赖于理想的第一测量信号S
1,i
(x)和依赖于理想的第二测量信号S
2,i
(x)，即基于没有由于攻击信号的任何扰动的测量信号。如果可以查找这样的重构函数f(并且对S
2,i
(x)的依赖性是有意义的)，则这是测量信号之间并且因此是输入信号之间存在相关性的有力指示。因此，在这种情况下可以得出结论，第一输入信号相对于第二输入信号是攻击信号。
[0022]可以在关闭被测器件中生成第二输入信号的电子元件的同时，通过测量第一输入信号来获得理想的测量信号S
1,i
(x)。同样地，可以在关闭被测器件中生成第一输入信号的电子元件的同时，通过测量第二输入信号来获得理想的测量信号S
2,i
(x)。
[0023]在本专利技术的又一个实施例中，第一测量通道被配置为对第一输入信号进行预处理，使得第一测量信号包括关于第一输入信号的统计信息。
[0024]可替选地或附加地，第二测量通道可以被配置为对第二输入信号进行预处理，使得第二测量信号包括关于第二输入信号的统计信息。
[0025]例如，统计信息可以包括任何一个输入信号的脉宽直方图、任一输入信号的信噪比、和/或任一输入信号的平均功率。
[0026]因此，提供关于第一输入信号和/或第二输入信号的附加信息，这些附加信息可以由机器学习模块使用，以便确定至少一个相关量。
[0027]特别地，机器学习模块被配置为基于统计信息确定至少一个相关量。这样，可以提高所确定的至少一个相关参数的准确性。
[0028]根据本专利技术的一方面，测量仪器被配置为处理至少一个另外的输入信号，从而生成至少一个另外的测量信号，其中机器学习模块被配置为基于至少一个另外的测量信号确定至少一个相关量，并且其中至少一个相关量指示至少一个另外的测量信号与第一测量信号和第二测量信号中的至少一个之间的相关性。因此，机器学习模块可被训练成确定第一输入信号、第二输入信号以及至少一个另外的输入信号中的两个或更多个之间是否存在显著本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于测试被测器件(12)的测量仪器，其中所述被测器件(12)具有至少两个测试点(20、24)，其中所述测量仪器(14)包括第一测量通道(30)、第二测量通道(32)以及机器学习模块(34)，其中所述第一测量通道(30)被配置为处理与所述至少两个测试点(20、24)中的一个相关联的第一输入信号，从而生成第一测量信号，其中所述第二测量通道(32)被配置为处理与所述至少两个测试点(20、24)中的另一个相关联的第二输入信号，从而生成第二测量信号，其中所述机器学习模块(34)被配置为基于所述第一测量信号和基于所述第二测量信号确定至少一个相关量，并且其中所述至少一个相关量指示所述第一测量信号和所述第二测量信号之间的相关性。2.根据权利要求1所述的测量仪器，其中，所述机器学习模块(34)包括人工神经网络。3.根据权利要求2所述的测量仪器，其中，所述人工神经网络包括自编码器。4.根据前述权利要求中任一项所述的测量仪器，其中，所述机器学习模块(34)被配置为尝试基于所述第一测量信号重构所述第二测量信号，以便确定所述至少一个相关量。5.根据权利要求4所述的测量仪器，其中所述至少一个相关量包括重构函数，其中所述重构函数描述了所述第二测量信号对所述第一测量信号的依赖性。6.根据前述权利要求中任一项所述的测量仪器，其中，所述第一测量通道(30)被配置为对所述第一输入信号进行预处理，使得所述第一测量信号包括关于所述第一输入信号的统计信息，和/或其中所述第二测量通道(32)被配置为对所述第二输入信号进行预处理，使得所述第二测量信号包括关于所述第二输入信号的统计信息。7.根据权利要求6所述的测量仪器，其中，所述机器学习模块(34)被配置为基于所述统计信息确定所述至少一个相关量。8.根据前述权利要求中任一项所述的测量仪器，其中，所述测量仪器(14)被配置为对至少一个另外的输入信号进行处理，从而生成至少一个另外的测量信号，其中所述机器学习模块(34)被配...

【专利技术属性】
技术研发人员：安德鲁，
申请(专利权)人：罗德施瓦兹两合股份有限公司，
类型：发明
国别省市：