CN113051628A - 基于残差学习的芯片侧信道攻击降噪预处理方法 - Google Patents

基于残差学习的芯片侧信道攻击降噪预处理方法 Download PDF

Info

Publication number
CN113051628A
CN113051628A CN202110301629.XA CN202110301629A CN113051628A CN 113051628 A CN113051628 A CN 113051628A CN 202110301629 A CN202110301629 A CN 202110301629A CN 113051628 A CN113051628 A CN 113051628A
Authority
CN
China
Prior art keywords
noise
energy trace
neural network
energy
training
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.)
Granted
Application number
CN202110301629.XA
Other languages
English (en)
Other versions
CN113051628B (zh
Inventor
李东方
杨光
张帅
沈炜
王志昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Computer Technology and Applications
Original Assignee
Beijing Institute of Computer Technology and Applications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Computer Technology and Applications filed Critical Beijing Institute of Computer Technology and Applications
Priority to CN202110301629.XA priority Critical patent/CN113051628B/zh
Publication of CN113051628A publication Critical patent/CN113051628A/zh
Application granted granted Critical
Publication of CN113051628B publication Critical patent/CN113051628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
    • G06F21/71—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information
    • G06F21/72—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information in cryptographic circuits
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于残差学习的芯片侧信道攻击降噪预处理方法，属于芯片安全检测技术领域。本发明提供了一种基于残差学习的芯片侧信道攻击降噪预处理方法，该方法通过构造深度残差网络学习原始能量迹和噪声之间的映射关系，从而能够生成任意符合采集设备特性能量迹所对应的噪声，将原始能量迹减去生成的噪声，即可完成降噪预处理步骤。

Description

基于残差学习的芯片侧信道攻击降噪预处理方法
技术领域
本发明属于芯片安全检测技术领域，具体涉及一种基于残差学习的芯片侧信道攻击降噪预处理方法。
背景技术
密码算法以软件或硬件实现的方式存在于信息安全系统中，这些系统通常被部署在一个不可信的、甚至恶意的环境中。任何电子设备在运行时，都可能泄漏与内部状态紧密相关的物理状态信息(时间差异、能量功耗、电磁辐射、声音泄漏、光辐射、热辐射等)。攻击者可以利用这些设备运行时泄漏的物理状态信息恢复出密钥信息，这类攻击方法被称为侧信道攻击。侧信道攻击具有被动、非入侵的特点，攻击者无需特殊权限即可探测并采集密码实现的侧信息(典型如电磁辐射)，被攻击设备很难察觉到异常迹象。
因此，一般在有安全需求场景下，相关标准会要求具有密码功能的数字信息产品具有抵抗侧信道攻击的相关技术要求。比如，在针对IT产品的国际通用准侧(CC)安全评估体系下，就已将侧信道分析作为产品评估的关键技术要求。
在密码芯片的侧信道安全性评估流程中，以最为常见的能量分析攻击为例，一般需要经过能量迹采集，信号预处理、区分器构建、敏感信息恢复等四个步骤。其中，降噪预处理作为信号预处理中的重要步骤，利用通过信号处理等技术方法去除能量迹中的无关噪声，能够提升处理后能量迹的信噪比，从而降低后续区分器构建和密码恢复的难度。
现有的侧信道降噪预处理主要包括高低通滤波、带通滤波、卡尔曼滤波、小波变换、奇异谱分析、独立成分分析等，这些方法分别从滤波、特征值分解、盲源分离等不同视角降低噪声带来的不良影响，提高降噪后能量迹的信噪比，以增强侧信道分析恢复密钥的效果。但是，随着密码芯片电路集成度日益提高、安全防护措施种类不断增加以及多核流水线技术深入应用，密码芯片信息泄漏中的噪声种类日趋复杂，噪声对侧信道分析带来的负面影响更加严重，已有降噪方法难以更有效降低噪声带来的不良影响。以滤波类降噪算法为例，一方面，这类方法在算法层面上专注于单条能量迹本身的降噪，难以利用并学习到噪声在整个数据集上的分布特性；另一方面，针对不同软硬件密码实现类型，这类方法尚无合适的参数选择指导依据，技术开展强烈依赖分析人员的专业经验和试错时间，导致其降噪效果严重受限，有时甚至出现引入额外噪声的负面效果。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何设计一种降噪效果好、降噪速度快的芯片侧信道攻击降噪预处理方法。
(二)技术方案
为了解决上述技术问题，本发明提供了一种基于残差学习的芯片侧信道攻击降噪预处理方法，包括以下步骤：
步骤1、对采集到的侧信道物理信息添加能量迹数据的分类标签；
步骤2、根据标签对能量迹分组，并计算组内均值；
步骤3、根据能量迹、组内均值计算训练集内的噪声估计值；
步骤4、搭建神经网络模型，构造能量迹-噪声数据对用于训练神经网络，进行训练拟合；
步骤5、根据神经网络模型输出计算降噪后的能量迹。
优选地，步骤1中根据待攻击算法、操作、泄漏模型信息制作每条能量迹数据的分类标签。
优选地，步骤1中，针对该敏感中间值对应的能量迹分布特性进行处理。步骤1中，在AES等分组密码算法中，需要进行S盒字节替换，则将S盒输出
Figure BDA0002986530600000031
作为敏感中间值，即作为后续分类的标签进行处理，这里，在已知密钥字节K和明文字节P的训练集上，计算S盒输出
Figure BDA0002986530600000032
作为每条能量迹曲线的类别标签。
优选地，步骤2中，为了学习由噪声能量迹xnoised到噪声∈的映射
Figure BDA0002986530600000033
估算出纯净状态下无噪声能量迹xclean的数值，进而根据公式∈＝xnoised-xclean得到噪声的数据，因此，使用每类敏感中间值v对应的能量迹分组{xnoised}v的组内均值
Figure BDA0002986530600000034
作为无噪声能量迹xclean的估计，其中n为分组{xnoised}v内能量迹的数量。
优选地，根据步骤2的公式，已知训练集内原始能量迹xnoised和能量迹组内均值xclean，从而步骤3中计算训练集内噪声的估计值为
Figure BDA0002986530600000035
优选地，为了学习一个原始能量迹xnoised到噪声∈的映射
Figure BDA0002986530600000036
需要利用深度神经网络的非线性拟合能力进行充分的训练，在步骤4中，使用自动编码机作为基础网络结构进行深度神经网络的构建，使用TensorFlow作为深度学习框架，对于采样点个数为N的能量迹，搭建神经网络的结构。
优选地，步骤4中，使用ReLU激活函数作为每个神经元节点的激活函数为其提供非线性表达能力，用最小二乘损失
Figure BDA0002986530600000041
作为训练神经网络的损失函数，其中N为能量迹的采样点个数，
Figure BDA0002986530600000042
表示神经网络，噪声能量迹xnoised为神经网络输入，
Figure BDA0002986530600000043
为神经网络输出，∈代表训练集内噪声的估计值，选用Adam算法作为优化器优化损失函数，对于神经网络的输入使用最大最小值标准化，对于神经网络的训练，使用反向传播更新神经网络权重。
优选地，步骤5中，当神经网络损失达到指定训练轮数或损失不再下降时，停止训练；然后将该模型应用于采集来自同一设备的其他能量迹数据，即，将已采集的新数据送入已训练的神经网络，其输出作为噪声拟合，该神经网络将生成并输出每条能量迹对应的噪声
Figure BDA0002986530600000044
根据新的原始数据和拟合噪声，经过相减计算得出降噪后的能量迹，即，根据公式xclean＝xnoised-∈，生成经过降噪后的能量迹
Figure BDA0002986530600000045
即得到经过降噪后能量迹数据集为
Figure BDA0002986530600000046
优选地，步骤4中，对于神经网络的训练，每一次迭代批大小选为200个样本，整个训练集共迭代50轮。
优选地，还包括步骤6，将降噪后的能量迹，送入区分器，进行侧信道攻击，并恢复密钥。
(三)有益效果
相比于现有侧信道攻击降噪预处理方法，本发明的方法有以下优势：
(1)自适应性。不需要根据数据分布特性做专门的超参数优化，对于AES、DES、SM4等密码算法的智能卡、单片机、FPGA实现均有良好效果，依靠神经网络的强大学习能力，能够有效学习出噪声分布，从而在应用生成出的噪声进行直接降噪。
(2)降噪效果好。由于噪声部分具有相似性，且数据分布在MSE损失下易于神经网络训练中优化，所以其噪声刻画效果较好。在本方法中，神经网路生成的模型与实际噪声差异小，所以在原始能量迹减去噪声后得到的降噪后能量迹信号方差较大，噪声方差较小，因为信噪比变高，能够提升后续区分器构建的精度，提升敏感信息恢复的成功率。
(3)降噪速度快。该方法使用网络权重数量少，仅使用一颗个人电脑Intel(R)Core(TM)i5-7300HQ CPU@2.50GHz处理器即可进行相应计算，根据数据长度的不同，计算耗时一般为2-10分钟。
附图说明
图1为本发明的总体技术方案原理图；
图2为本发明的一种基于残差学习的芯片侧信道攻击降噪预处理方法流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明提供了一种基于残差学习的芯片侧信道攻击降噪预处理方法，该方法通过构造深度残差网络学习原始能量迹和噪声之间的映射
Figure BDA0002986530600000051
关系，从而能够生成任意符合采集设备特性能量迹所对应的噪声，将原始能量迹减去生成的噪声，即可完成降噪预处理步骤。
如图1、图2所示，本发明提供的一种基于残差学习的芯片侧信道攻击降噪预处理方法包括以下步骤：
首先，收集采集待测设备算法执行期间的功耗、电磁泄漏等侧信道物理信息；确定待测设备运行的算法、所需要攻击算法操作位置和需要使用的泄漏模型(汉明重量模型、汉明距离模型、ID恒等模型)；以上为人工操作；以下步骤可由脚本自动执行；
(1)对采集到的侧信道物理信息添加能量迹数据的分类标签，其中根据待攻击算法、操作、泄漏模型信息制作每条能量迹数据的分类标签；
考虑到后续区分器构建和密钥恢复都会攻击某个操作(如字节替换)具体的敏感中间值，进而依靠该中间值恢复敏感信息。那么，在预处理阶段，即可以针对该敏感中间值对应的能量迹分布特性进行重点处理。例如在高级加密标准(AES)等分组密码算法中，需要进行S盒字节替换，则S盒输出
Figure BDA0002986530600000061
即可作为敏感中间值，即作为后续分类的标签进行处理。这里，在已知密钥字节K和明文字节P的训练集上，即可计算S盒输出
Figure BDA0002986530600000062
作为每条能量迹曲线的类别标签。
(2)根据标签对能量迹分组，并计算组内均值
为了学习由噪声能量迹xnoised到噪声∈的映射
Figure BDA0002986530600000064
需要估算出纯净状态下无噪声能量迹xclean的数值，进而根据公式∈＝xnoised-xclean得到噪声的具体数据。因此，可以使用每类敏感中间值v对应的能量迹分组{xnoised}v的组内均值
Figure BDA0002986530600000063
作为无噪声能量迹xclean的估计，其中n为分组{xnoised}v内能量迹的数量。
(3)根据能量迹、组内均值计算训练集内的噪声估计值
根据步骤(2)公式，已知训练集内原始能量迹xnoised和能量迹组内均值xclean，则即可计算训练集内噪声的估计值为
Figure BDA0002986530600000071
(4)搭建神经网络模型，构造能量迹-噪声数据对用于训练神经网络，进行训练拟合
为了学习一个原始能量迹xnoised到噪声∈的映射
Figure BDA0002986530600000072
需要利用深度神经网络的非线性拟合能力进行充分的训练。在本方法中，使用自动编码机作为基础网络结构进行深度神经网络的构建，使用TensorFlow作为深度学习框架，对于采样点个数为N的能量迹，搭建的神经网络结构如下表所示：
表1一种基于残差学习的芯片侧信道攻击降噪预处理方法模型结构表
Figure BDA0002986530600000073
Figure BDA0002986530600000081
使用ReLU激活函数作为每个神经元节点的激活函数为其提供非线性表达能力，用最小二乘损失
Figure BDA0002986530600000082
作为训练神经网络的损失函数，其中N为能量迹的采样点个数，
Figure BDA0002986530600000083
表示神经网络，噪声能量迹xnoised为神经网络输入，
Figure BDA0002986530600000084
为神经网络输出，∈代表训练集内噪声的估计值。选用Adam算法作为优化器优化损失函数，对于神经网络的输入使用最大最小值标准化。对于神经网络的训练，使用反向传播更新神经网络权重，每一次迭代批大小选为200个样本，整个训练集共迭代50轮。
(5)根据神经网络模型输出计算降噪后的能量迹
当神经网络损失达到指定训练轮数或损失不再下降时，停止训练。；然后将该模型应用于采集来自同一设备的其他能量迹数据，即，将已采集的新数据送入已训练的神经网络，其输出作为噪声拟合，该神经网络将生成并输出每条能量迹对应的噪声
Figure BDA0002986530600000085
根据新的原始数据和拟合噪声，经过相减计算得出降噪后的能量迹，即，根据公式xclean＝xnoised-∈，生成经过降噪后的能量迹
Figure BDA0002986530600000086
即得到经过降噪后能量迹数据集为
Figure BDA0002986530600000087
步骤(6)，将降噪后的能量迹，送入区分器，进行侧信道攻击，并恢复密钥。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于残差学习的芯片侧信道攻击降噪预处理方法，其特征在于，包括以下步骤：
步骤1、对采集到的侧信道物理信息添加能量迹数据的分类标签；
步骤2、根据标签对能量迹分组，并计算组内均值；
步骤3、根据能量迹、组内均值计算训练集内的噪声估计值；
步骤4、搭建神经网络模型，构造能量迹-噪声数据对用于训练神经网络，进行训练拟合；
步骤5、根据神经网络模型输出计算降噪后的能量迹。
2.如权利要求1所述的方法，其特征在于，步骤1中根据待攻击算法、操作、泄漏模型信息制作每条能量迹数据的分类标签。
3.如权利要求1所述的方法，其特征在于，步骤1中，针对该敏感中间值对应的能量迹分布特性进行处理。步骤1中，在AES等分组密码算法中，需要进行S盒字节替换，则将S盒输出
Figure FDA0002986530590000011
作为敏感中间值，即作为后续分类的标签进行处理，这里，在已知密钥字节K和明文字节P的训练集上，计算S盒输出
Figure FDA0002986530590000012
作为每条能量迹曲线的类别标签。
4.如权利要求3所述的方法，其特征在于，步骤2中，为了学习由噪声能量迹xnoised到噪声∈的映射
Figure FDA0002986530590000013
估算出纯净状态下无噪声能量迹xclean的数值，进而根据公式∈＝xnoised-xclean得到噪声的数据，因此，使用每类敏感中间值v对应的能量迹分组{xnoised}v的组内均值
Figure FDA0002986530590000014
作为无噪声能量迹xclean的估计，其中n为分组{xnoised}v内能量迹的数量。
5.如权利要求4所述的方法，其特征在于，根据步骤2的公式，已知训练集内原始能量迹xnoised和能量迹组内均值xclean，从而步骤3中计算训练集内噪声的估计值为
Figure FDA0002986530590000021
6.如权利要求5所述的方法，其特征在于，为了学习一个原始能量迹xnoised到噪声∈的映射
Figure FDA0002986530590000022
需要利用深度神经网络的非线性拟合能力进行充分的训练，在步骤4中，使用自动编码机作为基础网络结构进行深度神经网络的构建，使用TensorFlow作为深度学习框架，对于采样点个数为N的能量迹，搭建神经网络的结构。
7.如权利要求6所述的方法，其特征在于，步骤4中，使用ReLU激活函数作为每个神经元节点的激活函数为其提供非线性表达能力，用最小二乘损失
Figure FDA0002986530590000023
作为训练神经网络的损失函数，其中N为能量迹的采样点个数，
Figure FDA0002986530590000024
表示神经网络，噪声能量迹xnoised为神经网络输入，
Figure FDA0002986530590000025
为神经网络输出，∈代表训练集内噪声的估计值，选用Adam算法作为优化器优化损失函数，对于神经网络的输入使用最大最小值标准化，对于神经网络的训练，使用反向传播更新神经网络权重。
8.如权利要求7所述的方法，其特征在于，步骤5中，当神经网络损失达到指定训练轮数或损失不再下降时，停止训练；然后将该模型应用于采集来自同一设备的其他能量迹数据，即，将已采集的新数据送入已训练的神经网络，其输出作为噪声拟合，该神经网络将生成并输出每条能量迹对应的噪声
Figure FDA0002986530590000031
根据新的原始数据和拟合噪声，经过相减计算得出降噪后的能量迹，即，根据公式xclean＝xnoised-∈，生成经过降噪后的能量迹
Figure FDA0002986530590000032
即得到经过降噪后能量迹数据集为
Figure FDA0002986530590000033
9.如权利要求7所述的方法，其特征在于，步骤4中，对于神经网络的训练，每一次迭代批大小选为200个样本，整个训练集共迭代50轮。
10.如权利要求1所述的方法，其特征在于，还包括步骤6，将降噪后的能量迹，送入区分器，进行侧信道攻击，并恢复密钥。
CN202110301629.XA 2021-03-22 2021-03-22 基于残差学习的芯片侧信道攻击降噪预处理方法 Active CN113051628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110301629.XA CN113051628B (zh) 2021-03-22 2021-03-22 基于残差学习的芯片侧信道攻击降噪预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110301629.XA CN113051628B (zh) 2021-03-22 2021-03-22 基于残差学习的芯片侧信道攻击降噪预处理方法

Publications (2)

Publication Number Publication Date
CN113051628A true CN113051628A (zh) 2021-06-29
CN113051628B CN113051628B (zh) 2023-11-03

Family

ID=76514098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110301629.XA Active CN113051628B (zh) 2021-03-22 2021-03-22 基于残差学习的芯片侧信道攻击降噪预处理方法

Country Status (1)

Country Link
CN (1) CN113051628B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113672909A (zh) * 2021-07-01 2021-11-19 华南理工大学 一种基于模式分类的片上热隐蔽信道攻击的检测方法
CN114285545A (zh) * 2021-12-24 2022-04-05 成都三零嘉微电子有限公司 一种基于卷积神经网络的侧信道攻击方法及系统
CN115906144A (zh) * 2021-08-26 2023-04-04 北京字节跳动网络技术有限公司 数据处理方法、数据处理装置、电子设备和可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016083864A1 (en) * 2014-11-25 2016-06-02 Institut Mines-Telecom Methods for recovering secret data of a cryptographic device and for evaluating the security of such a device
CN107508678A (zh) * 2017-10-13 2017-12-22 成都信息工程大学 基于机器学习的rsa掩码防御算法的侧信道攻击方法
CN108270543A (zh) * 2017-11-22 2018-07-10 北京电子科技学院 一种基于小波空域相关法的侧信道攻击预处理方法
CN109525384A (zh) * 2018-11-16 2019-03-26 成都信息工程大学 利用神经网络进行拟合的dpa攻击方法及系统、终端
US20190318092A1 (en) * 2018-02-14 2019-10-17 Hrl Laboratories, Llc System and method for cyber attack detection based on rapid unsupervised recognition of recurring signal patterns
CN110738605A (zh) * 2019-08-30 2020-01-31 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN111930945A (zh) * 2020-08-17 2020-11-13 北京计算机技术及应用研究所 一种Tor隐藏服务非法内容分类方法
CN111985411A (zh) * 2020-08-21 2020-11-24 中国科学技术大学 基于Sinc卷积降噪自编码器的能量迹预处理方法
CN112260818A (zh) * 2020-10-19 2021-01-22 中国人民解放军战略支援部队信息工程大学 侧信道曲线的增强方法、侧信道攻击方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016083864A1 (en) * 2014-11-25 2016-06-02 Institut Mines-Telecom Methods for recovering secret data of a cryptographic device and for evaluating the security of such a device
CN107508678A (zh) * 2017-10-13 2017-12-22 成都信息工程大学 基于机器学习的rsa掩码防御算法的侧信道攻击方法
CN108270543A (zh) * 2017-11-22 2018-07-10 北京电子科技学院 一种基于小波空域相关法的侧信道攻击预处理方法
US20190318092A1 (en) * 2018-02-14 2019-10-17 Hrl Laboratories, Llc System and method for cyber attack detection based on rapid unsupervised recognition of recurring signal patterns
CN109525384A (zh) * 2018-11-16 2019-03-26 成都信息工程大学 利用神经网络进行拟合的dpa攻击方法及系统、终端
CN110738605A (zh) * 2019-08-30 2020-01-31 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN111930945A (zh) * 2020-08-17 2020-11-13 北京计算机技术及应用研究所 一种Tor隐藏服务非法内容分类方法
CN111985411A (zh) * 2020-08-21 2020-11-24 中国科学技术大学 基于Sinc卷积降噪自编码器的能量迹预处理方法
CN112260818A (zh) * 2020-10-19 2021-01-22 中国人民解放军战略支援部队信息工程大学 侧信道曲线的增强方法、侧信道攻击方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
FLORIAN LEMARCHAND等: "Electro-Magnetic Side-Channel Attack Through Learned Denoising and Classification", ICASSP 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), pages 2882 - 2886 *
张阳;陈开颜;李雄伟;陈军广;李艳;: "基于差异度的密码芯片旁路攻击研究", 通信学报, no. 03, pages 104 - 109 *
朱秋岩等: "基于形式验证的毛刺检测技术", 计算机工程与设计, vol. 39, no. 10, pages 3290 - 3295 *
李崇禧;徐少平;崔燕;刘婷云;张贵珍;林珍玉;: "带参考图像通道的卷积神经网络随机脉冲噪声降噪算法", 光电子・激光, no. 11, pages 1163 - 1171 *
王恺等: "基于改进残差网络和数据增强技术的能量分析攻击研究", 密码学报, vol. 7, no. 4, pages 551 - 564 *
陈平: "基于卷积神经网络的能量迹预处理方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 1, pages 136 - 371 *
马鹏;王泽宇;钟卫东;王绪安;: "基于改进小波包分解的相关功耗攻击降噪方法", 计算机工程, no. 07, pages 129 - 135 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113672909A (zh) * 2021-07-01 2021-11-19 华南理工大学 一种基于模式分类的片上热隐蔽信道攻击的检测方法
CN113672909B (zh) * 2021-07-01 2023-09-26 华南理工大学 一种基于模式分类的片上热隐蔽信道攻击的检测方法
CN115906144A (zh) * 2021-08-26 2023-04-04 北京字节跳动网络技术有限公司 数据处理方法、数据处理装置、电子设备和可读存储介质
CN115906144B (zh) * 2021-08-26 2024-04-19 抖音视界有限公司 数据处理方法、数据处理装置、电子设备和可读存储介质
CN114285545A (zh) * 2021-12-24 2022-04-05 成都三零嘉微电子有限公司 一种基于卷积神经网络的侧信道攻击方法及系统
CN114285545B (zh) * 2021-12-24 2024-05-17 成都三零嘉微电子有限公司 一种基于卷积神经网络的侧信道攻击方法及系统

Also Published As

Publication number Publication date
CN113051628B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN113051628B (zh) 基于残差学习的芯片侧信道攻击降噪预处理方法
CN111988130B (zh) 离散量子密钥分发中针对器件缺陷的攻击检测方法
Rongjie et al. A fault diagnosis method for three-phase rectifiers
CN111181930A (zh) DDoS攻击检测的方法、装置、计算机设备及存储介质
Ai et al. Improved wavelet transform for noise reduction in power analysis attacks
CN117113262A (zh) 网络流量识别方法及其系统
Ding et al. Efficient BiSRU combined with feature dimensionality reduction for abnormal traffic detection
CN110677437A (zh) 基于潜在空间对抗式聚类的用户伪装攻击检测方法及系统
Wang et al. Stealthy attack detection method based on Multi-feature long short-term memory prediction model
CN115473748B (zh) 基于BiLSTM-ELM的DDoS攻击分类检测方法、装置及设备
Akbarian et al. Intrusion detection on critical smart grid infrastructure
US20190303593A1 (en) Concealment device, data analysis device, and computer readable medium
CN116055026A (zh) 一种基于arma模型的粒子滤波侧信道攻击降噪预处理方法
Luo et al. Deep learning based device classification method for safeguarding internet of things
CN113159317B (zh) 一种基于动态残差侵蚀的对抗样本生成方法
CN115243288A (zh) 基于多节点合作感知的干扰识别方法和装置
CN115712857A (zh) 一种异常流量检测方法、设备及介质
Amulya et al. Spectral analysis based robust multi-level intrusion detection in wide area frequency control
CN113052080A (zh) 一种基于无监督生成对抗网络的非法无人机检测方法
CN113627215A (zh) 基于can信号特征的ecu鉴别方法及存储介质
CN111082921A (zh) 密码芯片通过一阶泄露模型改进二阶功耗分析的方法
Ju et al. MLP-Based Power Analysis Attacks with Two-Point Joint Feature Selection
CN117807590B (zh) 基于人工智能的信息安全预测及监控系统及方法
CN112564885B (zh) 基于掩码变量最大概率密度函数分布的侧信道测试分析方法
Cheng et al. Fingerprint Recognition and Classification of IoT Devices Based on Z-Wave

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