深度学习在TEMPEST图像恢复中的应用

深度学习在TEMPEST图像恢复中的应用

deep-tempest Restoration for TEMPEST images using deep-learning 项目地址: https://gitcode.com/gh_mirrors/de/deep-tempest

1. 项目介绍

本项目名为Deep-TEMPEST，是基于深度学习技术对TEMPEST图像进行恢复的开源项目。TEMPEST技术，即通过捕捉显示设备无意中发出的电磁辐射来窃取屏幕显示内容的技术。本项目通过使用深度学习模型DRUNet，显著提高了TEMPEST图像的恢复质量，尤其是在字符错误率的降低上取得了显著成效，从原始gr-tempest的90%降低到了30%以下。

2. 项目快速启动

克隆仓库

首先，你需要克隆本项目仓库到本地环境：

git clone https://github.com/emidan19/deep-tempest.git

创建虚拟环境

项目使用Python 3.10编写，并使用Anaconda环境管理依赖。创建新环境并安装所需库：

conda create --name deeptempest --file requirements.txt

激活环境：

conda activate deeptempest

配置GNU Radio

本项目需要使用本项目仓库中修改过的gr-tempest版本。安装完成后，运行以下grc文件以激活hierblocks：

binary_serializer.grc
FFT_autocorrelate.grc
FFT_crosscorrelate.grc
Keep_1_in_N_frames.grc

最后，运行deep-tempest_example.grc流图来捕获显示器图像，并使用Save Capture块进行更好的质量恢复。

3. 应用案例和最佳实践

本项目的一个典型应用案例是监控和恢复通过HDMI线缆无意中泄露的电磁辐射信息，从而恢复屏幕上显示的内容。最佳实践包括：

• 使用高分辨率显示器和高质量SDR设备以获取更清晰的图像。
• 在安静电磁环境下操作，以减少干扰。
• 在恢复图像时，使用适当训练的深度学习模型。

4. 典型生态项目

与本项目相关的生态项目包括：

• gr-tempest：本项目的基础，用于捕获TEMPEST图像。
• KAIR image restoration repository：提供了本项目使用的DRUNet模型。
• SDR相关的开源项目，例如RTL-SDR等，用于捕获电磁辐射信号。

以上就是Deep-TEMPEST项目的简要介绍、快速启动指南、应用案例以及相关生态项目。希望这些信息能够帮助您更好地理解和使用本项目。

deep-tempest Restoration for TEMPEST images using deep-learning 项目地址: https://gitcode.com/gh_mirrors/de/deep-tempest