CN111478742B - 一种sm4算法的分析方法、系统以及设备 - Google Patents
一种sm4算法的分析方法、系统以及设备 Download PDFInfo
- Publication number
- CN111478742B CN111478742B CN202010264770.2A CN202010264770A CN111478742B CN 111478742 B CN111478742 B CN 111478742B CN 202010264770 A CN202010264770 A CN 202010264770A CN 111478742 B CN111478742 B CN 111478742B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- neural network
- network model
- side channel
- channel information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 116
- 238000004458 analytical method Methods 0.000 title claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 10
- 239000000523 sample Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种SM4算法的分析方法、系统以及设备，适用于训练好的神经网络模型，方法包括以下步骤：采集未知设备执行SM4算法时的侧信道信息曲线，将其输入到训练好的神经网络模型中，输出预测中间值；根据预测中间值得到SM4算法轮秘钥；重复上述步骤，直至得到四个SM4算法轮秘钥；根据得到的四个SM4算法轮秘钥恢复出SM4算法秘钥，对SM4算法进行解析，得到SM4算法的敏感信息。本发明利用神经网络模型对目标设备进行侧信道分析进而恢复对应的敏感数据，通过神经网络模型的深度学习功能来达到从而达到精准分析的目的，并且在进行侧信道分析的过程中无需进行能量模型的假设，使得分析结果能够贴合实际情况。
Description
技术领域
本发明涉及侧信道分析技术领域，尤其涉及一种SM4算法的分析方法、系统以及设备。
背景技术
目前，侧信道分析方法是通过采集芯片运算过程中泄露的信号(如能量、电磁等)来获取运算的敏感信息。传统侧信道分析包括简单能量分析、差分能量分析、相关性分析、模板分析等。然而，传统侧信道分析的方法需要进行能量模型的假设，使得分析的结果带有一定的假设性，无法贴合实际情况。
综上所述，现有技术中传统的侧信道分析方法存在着需要进行能量模型的假设，导致分析结果无法贴合实际情况的技术问题。
发明内容
本发明提供了一种SM4算法的分析方法、系统以及设备，用于解决现有技术中传统的侧信道分析方法存在着需要进行能量模型的假设，导致分析结果无法贴合实际情况的技术问题。
一种SM4算法的分析方法，所述方法适用于训练好的神经网络模型，方法包括以下步骤：
S1：采集未知设备执行SM4算法时的侧信道信息曲线；
S2：将侧信道信息曲线输入到训练好的神经网络模型中，神经网络模型输出预测中间值；
S3：根据预测中间值得到SM4算法轮秘钥；
S4：重复执行S1～S3，直至得到四个SM4算法轮秘钥；
S5：根据得到的四个SM4算法轮秘钥恢复出SM4算法秘钥；
S6：利用SM4算法秘钥对SM4算法进行解析，得到SM4算法的敏感信息。
优选的，神经网络模型包括一个输入层，一个输出层，三个卷积层以及三个池化层，三个卷积层的卷积核大小分别为32，64，128。
优选的，得到训练好的神经网络模型的过程如下：
S7：采集已知设备执行SM4算法时的侧信道信息曲线；
S8：选择关于SM4算法的感兴趣的敏感信息；
S9：将侧信道信息曲线作为输入，感兴趣的敏感信息作为标签输入到神经网络模型中；
S10：更新神经网络模型的参数，直至神经网络模型的输出与标签相同，得到训练好的神经网络模型。
优选的，更新神经网络模型的参数的过程如下：
S11：神经网络模型接收到侧信道信息曲线后，对侧信道信息曲线进行计算，得到输出值；
S12：将输出值与标签的差进行反向传播，更新神经网络模型的参数；
S13：将侧信道信息曲线输入到更新参数后的神经网络模型之中，重新执行步骤S11～S13，直到神经网络模型的输出值与标签相同为止。
优选的，关于SM4算法的感兴趣的敏感信息包括：S盒输入、S盒输出以及S盒输入输出异或。
优选的，采集设备执行SM4算法时的侧信道信息曲线的具体过程如下：
在设备运行过程中，用电磁探头采集设备的电磁信号或用电压探头采集设备的电路中小电阻两端的电压变化，完成测信道信息曲线的采集。
优选的，反向传播的方式为利用梯度下降法进行反向传播。
一种SM4算法的分析系统，包括侧信道信息曲线采集模块、神经网络模型模块、轮秘钥模块、算法秘钥模块以及SM4算法解析模块；
所述侧信道信息曲线采集模块用于采集未知设备执行SM4算法时的侧信道信息曲线；
所述神经网络模型模块用于对神经网络模型训练，得到训练好的神经网络模型，训练好的神经网络模型据将侧信道信息曲线输出预测中间值；
所述轮秘钥模块用于根据预测中间值得到SM4算法轮秘钥；
所述算法秘钥模块用于根据SM4算法轮秘钥恢复出SM4算法秘钥；
所述SM4算法解析模块用于利用SM4算法秘钥对SM4算法进行解析，得到SM4算法的敏感信息。
优选的，神经网络模型模块还包括训练模块，训练模块具体用于采集已知设备执行SM4算法时的侧信道信息曲线，选择关于SM4算法的感兴趣的敏感信息，将侧信道信息曲线作为输入，感兴趣的敏感信息作为标签输入到神经网络模型中，更新神经网络模型的参数，直至神经网络模型的输出与标签相同。
一种SM4算法的分析设备，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的一种SM4算法的分析方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例通过采集已知设备的侧信道信息曲线，对侧信道信息曲线进行训练得到对应的神经网络模型，利用神经网络模型对目标设备进行侧信道分析进而恢复对应的敏感数据，本发明实施例通过神经网络模型的深度学习功能来达到从而达到精准分析的目的，并且在进行侧信道分析的过程中无需进行能量模型的假设，解决了现有技术中传统的侧信道分析方法存在着需要进行能量模型的假设，导致分析结果无法贴合实际情况的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种SM4算法的分析方法、系统以及设备的方法流程图。
图2为本发明实施例提供的一种SM4算法的分析方法、系统以及设备的系统结构图。
图3为本发明实施例提供的一种SM4算法的分析方法、系统以及设备的设备框架图。
图4为本发明实施例提供的一种SM4算法的分析方法、系统以及设备的SM4算法结构图。
具体实施方式
本发明实施例提供了一种SM4算法的分析方法、系统以及设备，用于解决现有技术中传统的侧信道分析方法存在着需要进行能量模型的假设，导致分析结果无法贴合实际情况的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
目前，深度学习被大量应用于图像识别、人脸识别等领域。较常见的深度学习网络模型主要有多层感知机、卷积神经网络，VGGNet，GoogleNet，深度残差网络等。深度学习的网络模型通常比较复杂，也因此，它能利用计算机强大的算力建立起输入输出间较为复杂的模型，从而达到较精准的预测的目的。
基于深度学习的侧信道分析是一种新型的分析方法，它将深度学习与侧信道分析结合到了一起，与传统侧信道分析中的模板分析有着一定的相似性。基于神经网络的侧信道分析需要已知设备，采集曲线，建立输入曲线与敏感信息间的模型，随后可将模型应用到同款设备上，从而获取对应的敏感信息。
请参阅图1，图1为本发明实施例提供的一种SM4算法的分析方法、系统以及设备的方法流程图。
本发明实施例提供的一种SM4算法的分析方法，所述方法适用于训练好的神经网络模型，神经网络模型包括一个输入层，一个输出层，三个卷积层以及三个池化层，三个卷积层卷积核的大小分别为32，64，128；方法包括以下步骤：
S1：采集未知设备执行SM4算法时的侧信道信息曲线，侧信道信息中包括有设备的功耗信息以及电磁信息等；该侧信道信息曲线应与神经网络模型训练过程中采集的侧信道信息曲线为同种信号，且采集环境也应尽可能相似，若神经网络模型训练过程中采集的是功耗信息，则该侧信道信息曲线也应采集功耗信息进行分析，避免出现误差；
S2：将侧信道信息曲线输入到训练好的神经网络模型中，侧信道信息曲线在神经网络模型中进行计算分析，输出预测中间值；
S3：根据预测中间值得到SM4算法轮秘钥；
S4：重复执行S1～S3，直至得到四个SM4算法轮秘钥；SM4算法的结构如图4所示，由于SM4算法每一轮计算用到的轮秘钥长度为32bit，总密钥长度128bit，因此需要经过4轮分析才可恢复完整的秘钥。
S5：根据得到的四个长度为32bit的SM4算法轮秘钥，从而恢复出长度为128bit的SM4算法秘钥；
S6：利用SM4算法秘钥对SM4算法进行解析，得到SM4算法的敏感信息。
作为一个优选的实施例，得到训练好的神经网络模型的过程如下：
S7：采集已知设备执行SM4算法时的侧信道信息曲线；
S8：选择关于SM4算法的感兴趣的敏感信息，关于SM4算法的感兴趣的敏感信息包括：S盒输入、S盒输出以及S盒输入输出异或。
S9：将侧信道信息曲线作为输入，感兴趣的敏感信息作为标签输入到神经网络模型中；
S10：更新神经网络模型的参数，直至神经网络模型的输出与标签相同，得到训练好的神经网络模型。
需要进一步说明的是，更新神经网络模型的参数的过程如下：
S11：神经网络模型接收到侧信道信息曲线后，会根据内部参数对侧信道信息曲线进行计算，得到输出值；内部参数由神经网络进行自动调节，包括但不限于卷积核内部参数，全连接层内部参数等。神经网络模型第一次对侧信道信息曲线进行计算时，内部参数为随机初始参数；
S12：将输出值与标签的差进行反向传播，更新神经网络模型的内部参数；反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代，直到网络的对输入的响应达到预定的目标范围为止。反向传播算法的学习过程由正向传播过程和反向传播过程组成；在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层。如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，神经网络的学习在权值修改过程中完成，当误差达到所期望值时，神经网络的学习结束。
S13：将侧信道信息曲线输入到更新内部参数后的神经网络模型之中，重新执行步骤S11～S13，直到神经网络模型的输出值与标签相同为止，若神经网络模型的输出值与标签相同，则证明神经网络模型能够对侧信道信号曲线进行分析，输出相应的预测中间值。
作为一个优选的实施例，采集设备执行SM4算法时的侧信道信息曲线的具体过程如下：
在设备运行过程中，用电磁探头采集设备的电磁信号或用电压探头采集设备的电路中小电阻两端的电压变化，完成测信道信息曲线的采集。
作为一个优选的实施例，反向传播的方式为利用梯度下降法进行反向传播。梯度下降法是迭代法的一种，用于求解最小二乘问题。在求解神经网络模型的参数时，即无约束优化问题时，梯度下降是最常采用的方法之一，在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和神经网络模型参数值。
如图2所示，一种SM4算法的分析系统，包括侧信道信息曲线采集模块201、神经网络模型模块202、轮秘钥模块203、算法秘钥模块204以及SM4算法解析模块205；
所述侧信道信息曲线采集模块201用于采集未知设备执行SM4算法时的侧信道信息曲线；
所述神经网络模型模块202用于对神经网络模型训练，得到训练好的神经网络模型，训练好的神经网络模型据将侧信道信息曲线输出预测中间值；
所述轮秘钥模块203用于根据预测中间值得到SM4算法轮秘钥；
所述算法秘钥模块204用于根据SM4算法轮秘钥恢复出SM4算法秘钥；
所述SM4算法解析模块205用于利用SM4算法秘钥对SM4算法进行解析，得到SM4算法的敏感信息。
作为一个优选的实施例，神经网络模型模块还包括训练模块206，训练模块206具体用于采集已知设备执行SM4算法时的侧信道信息曲线，选择关于SM4算法的感兴趣的敏感信息，将侧信道信息曲线作为输入，感兴趣的敏感信息作为标签输入到神经网络模型中，更新神经网络模型的参数，直至神经网络模型的输出与标签相同。
如图3所示，一种SM4算法的分析设备30，所述设备包括处理器300以及存储器301；
所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；
所述处理器300用于根据所述程序代码302中的指令执行上述的一种SM4算法的分析方法中的步骤。
示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图3仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammaBle GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种SM4算法的分析方法，其特征在于，所述方法适用于训练好的神经网络模型，方法包括以下步骤：
S1：采集未知设备执行SM4算法时的侧信道信息曲线；
S2：将侧信道信息曲线输入到训练好的神经网络模型中，神经网络模型输出预测中间值；
S3：根据预测中间值得到SM4算法轮秘钥；
S4：重复执行S1～S3，直至得到四个SM4算法轮秘钥；
S5：根据得到的四个SM4算法轮秘钥恢复出SM4算法秘钥；
S6：利用SM4算法秘钥对SM4算法进行解析，得到SM4算法的敏感信息；
其中，神经网络模型包括一个输入层，一个输出层，三个卷积层以及三个池化层，三个卷积层的卷积核大小分别为32，64，128。
2.根据权利要求1所述的一种SM4算法的分析方法，其特征在于，得到训练好的神经网络模型的过程如下：
S7：采集已知设备执行SM4算法时的侧信道信息曲线；
S8：选择关于SM4算法的感兴趣的敏感信息；
S9：将侧信道信息曲线作为输入，感兴趣的敏感信息作为标签输入到神经网络模型中；
S10：更新神经网络模型的参数，直至神经网络模型的输出与标签相同，得到训练好的神经网络模型。
3.根据权利要求2所述的一种SM4算法的分析方法，其特征在于，更新神经网络模型的参数的过程如下：
S11：神经网络模型接收到侧信道信息曲线后，对侧信道信息曲线进行计算，得到输出值；
S12：将输出值与标签的差进行反向传播，更新神经网络模型的参数；
S13：将侧信道信息曲线输入到更新参数后的神经网络模型之中，重新执行步骤S11～S13，直到神经网络模型的输出值与标签相同为止。
4.根据权利要求3所述的一种SM4算法的分析方法，其特征在于，关于SM4算法的感兴趣的敏感信息包括：S盒输入、S盒输出以及S盒输入输出异或。
5.根据权利要求4所述的一种SM4算法的分析方法，其特征在于，采集设备执行SM4算法时的侧信道信息曲线的具体过程如下：
在设备运行过程中，用电磁探头采集设备的电磁信号或用电压探头采集设备的电路中小电阻两端电压的变化，完成测信道信息曲线的采集。
6.根据权利要求5所述的一种SM4算法的分析方法，其特征在于，反向传播的方式为利用梯度下降法进行反向传播。
7.一种SM4算法的分析系统，其特征在于，包括侧信道信息曲线采集模块、神经网络模型模块、轮秘钥模块、算法秘钥模块以及SM4算法解析模块；
所述侧信道信息曲线采集模块用于采集未知设备执行SM4算法时的侧信道信息曲线；
所述神经网络模型模块用于对神经网络模型训练，得到训练好的神经网络模型，训练好的神经网络模型据将侧信道信息曲线输出预测中间值；
所述轮秘钥模块用于根据预测中间值得到SM4算法轮秘钥；
所述算法秘钥模块用于根据SM4算法轮秘钥恢复出SM4算法秘钥；
所述SM4算法解析模块用于利用SM4算法秘钥对SM4算法进行解析，得到SM4算法的敏感信息；
其中，神经网络模型包括一个输入层，一个输出层，三个卷积层以及三个池化层，三个卷积层的卷积核大小分别为32，64，128。
8.根据权利要求7所述的一种SM4算法的分析系统，其特征在于，神经网络模型模块还包括训练模块，训练模块具体用于采集已知设备执行SM4算法时的侧信道信息曲线，选择关于SM4算法的感兴趣的敏感信息，将侧信道信息曲线作为输入，感兴趣的敏感信息作为标签输入到神经网络模型中，更新神经网络模型的参数，直至神经网络模型的输出与标签相同。
9.一种SM4算法的分析设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-6中任意一种SM4算法的分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010264770.2A CN111478742B (zh) | 2020-04-07 | 2020-04-07 | 一种sm4算法的分析方法、系统以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010264770.2A CN111478742B (zh) | 2020-04-07 | 2020-04-07 | 一种sm4算法的分析方法、系统以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111478742A CN111478742A (zh) | 2020-07-31 |
| CN111478742B true CN111478742B (zh) | 2022-04-29 |
Family
ID=71749932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010264770.2A Active CN111478742B (zh) | 2020-04-07 | 2020-04-07 | 一种sm4算法的分析方法、系统以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111478742B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111953488A (zh) * | 2020-08-28 | 2020-11-17 | 南方电网科学研究院有限责任公司 | 一种hmac-sm3算法的密钥获取方法、装置、设备和存储介质 |
| CN112615714B (zh) * | 2020-12-29 | 2022-07-12 | 清华大学苏州汽车研究院（吴江） | 侧信道分析方法、装置、设备及存储介质 |
| CN118174845B (zh) * | 2024-05-09 | 2024-08-13 | 深圳市纽创信安科技开发有限公司 | 模型训练方法及数据处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103227717A (zh) * | 2013-01-25 | 2013-07-31 | 国家密码管理局商用密码检测中心 | 选择轮密钥异或输入进行sm4密码算法侧信道能量分析的应用 |
| CN103825722A (zh) * | 2013-11-19 | 2014-05-28 | 国家密码管理局商用密码检测中心 | 一种sm4密码算法的二阶侧信道能量分析方法 |
| CN104868990A (zh) * | 2015-04-15 | 2015-08-26 | 成都信息工程学院 | 一种针对sm4密码算法轮输出的模板攻击方法 |
| CN107070629A (zh) * | 2016-11-14 | 2017-08-18 | 成都信息工程大学 | 一种针对sm4密码算法轮输出的模板攻击方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150222421A1 (en) * | 2014-02-03 | 2015-08-06 | Qualcomm Incorporated | Countermeasures against side-channel attacks on cryptographic algorithms |
-
2020
- 2020-04-07 CN CN202010264770.2A patent/CN111478742B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103227717A (zh) * | 2013-01-25 | 2013-07-31 | 国家密码管理局商用密码检测中心 | 选择轮密钥异或输入进行sm4密码算法侧信道能量分析的应用 |
| CN103825722A (zh) * | 2013-11-19 | 2014-05-28 | 国家密码管理局商用密码检测中心 | 一种sm4密码算法的二阶侧信道能量分析方法 |
| CN104868990A (zh) * | 2015-04-15 | 2015-08-26 | 成都信息工程学院 | 一种针对sm4密码算法轮输出的模板攻击方法 |
| CN107070629A (zh) * | 2016-11-14 | 2017-08-18 | 成都信息工程大学 | 一种针对sm4密码算法轮输出的模板攻击方法 |
Non-Patent Citations (2)
| Title |
|---|
| "MLP and CNN-based Classification for Points of Interest in Side-Channel Attacks";Hanwen Feng，et al.;《2019 IEEE/ACIS 18th International Conference on Computer and Information Science (ICIS)》;20191226;全文 * |
| "适用于侧信道分析的卷积神经网络结构的实验研究";黄洁 等;《成都信息工程大学学报》;20191031;第34卷(第5期);第449-456页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111478742A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
| CN111478742B (zh) | 一种sm4算法的分析方法、系统以及设备 | |
| CN111860588A (zh) | 一种用于图神经网络的训练方法以及相关设备 | |
| CN105335756B (zh) | 一种基于鲁棒学习模型的图像分类方法与图像分类系统 | |
| CN111553759A (zh) | 一种产品信息推送方法、装置、设备及存储介质 | |
| CN110147456A (zh) | 一种图像分类方法、装置、可读存储介质及终端设备 | |
| CN107169454A (zh) | 一种人脸图像年龄估算方法、装置及其终端设备 | |
| CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
| CN111814804B (zh) | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 | |
| CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
| CN112257578B (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
| CN111881671A (zh) | 一种属性词提取方法 | |
| CN113642400A (zh) | 基于2s-agcn的图卷积动作识别方法、装置及设备 | |
| CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
| CN111126049B (zh) | 对象关系预测方法、装置、终端设备及可读存储介质 | |
| Shrivastava et al. | Multiple kernel-based dictionary learning for weakly supervised classification | |
| CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
| CN111611395A (zh) | 一种实体关系的识别方法及装置 | |
| CN114170484B (zh) | 图片属性预测方法、装置、电子设备和存储介质 | |
| CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
| CN116452333A (zh) | 异常交易检测模型的构建方法、异常交易检测方法及装置 | |
| CN114764619B (zh) | 一种基于量子线路的卷积操作方法及装置 | |
| CN114819168B (zh) | 一种矩阵特征值的量子比较方法及装置 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN116563649B (zh) | 基于张量映射网络的高光谱图像轻量化分类方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |