CN114285545A - 一种基于卷积神经网络的侧信道攻击方法及系统 - Google Patents
一种基于卷积神经网络的侧信道攻击方法及系统 Download PDFInfo
- Publication number
- CN114285545A CN114285545A CN202111598760.3A CN202111598760A CN114285545A CN 114285545 A CN114285545 A CN 114285545A CN 202111598760 A CN202111598760 A CN 202111598760A CN 114285545 A CN114285545 A CN 114285545A
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- convolutional neural
- energy
- side channel
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000011084 recovery Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及侧信道攻击技术领域，公开了一种基于卷积神经网络的侧信道攻击方法及系统，该攻击方法，包括以下步骤：S1，能量迹数据采集；S2，特征点提取；S3，数据集构建；S4，卷积神经网络搭建；S5，模型训练；S6，模型评价；S7，密钥恢复。本发明解决了解决现有技术存在的模板匹配困难、普适性低等问题。
Description
技术领域
本发明涉及侧信道攻击技术领域，具体是一种基于卷积神经网络的侧信道攻击方法及系统。
背景技术
侧信道攻击是利用密码设备在运行过程中产生的能量或电磁等泄露的敏感信息对密钥进行攻击的一种方法。侧信道攻击包括时间攻击、简单能量/电磁攻击、差分能量/电磁攻击和模板攻击等。其中，模板攻击属于有学习的攻击方式，攻击者使用多元正态分布对能量迹特征进行刻画，建立模板再利用该特征进行攻击。模板攻击的关键在于如何建立精确的多元噪声模型，即多元变量协方差矩阵。在实际攻击中，会有许多困难：一、协方差矩阵的大小取决于特征点，必须慎重选取特征点；二、协方差矩阵可能是病态的，在求逆时会遇到数值问题。因此，必须高效准确的选择特征点，才能建立精确且详细的模板，在不损失噪声信息和分类精度的情况下，降低模板所需计算量和存储空间，让模板攻击变得可行。
为了更容易实现这种建模攻击，最近一系列研究发现基于机器学习和深度学习的新型建模攻击方法，能够避免模板攻击中存在的一些问题，而且更为高效。基于机器学习的攻击不对数据分布进行假设，而且直接从原始数据进行分类。深度学习是机器学习的平行分支，依赖于一组算法，对数据建模高级抽象，使用多个处理层的建模结构，这些处理层由一些标量乘和非线性变换激活函数组成。在深度学习算法中，主要使用多层感知器(Multiple Layer Perceptron，MLP)和卷积神经网络(Convolutional Neural Networks，CNN)这两种神经网络结构进行侧信道攻击。2015年，ZdenekMartinasek等人将基于MLP的侧信道攻击方法与其他模板攻击方法进行了对比研究，实验结果表明MLP的攻击效果远远优于其他攻击方式。2017年，EleonoraCagli等将CNN运用于侧信道分析中，研究了基于CNN的侧信道攻击方法可以攻破具有抖动防御的加密算法。但作者没有给出神经网络的超参数(即滤波器大小、池化参数、网络层数以及优化方法等)。
以上论文开创性地将机器学习或深度学习与侧信道攻击相结合，以提高传统侧信道攻击方法的效率和成功率，但也存在一些不足之处：作者未给出神经网络超参数，无法知道其网络结构；作者提出的神经网络仅适用于汉明重量模型(HW模型)，无法适用于密钥字节身份模型(ID模型)，降低了普适性。
发明内容
为克服现有技术的不足，本发明提供了一种基于卷积神经网络的侧信道攻击方法及系统，解决现有技术存在的模板匹配困难、普适性低等问题，又提高了攻击成功率。
本发明解决上述问题所采用的技术方案是：
一种基于卷积神经网络的侧信道攻击方法，包括以下步骤：
S1，能量迹数据采集：在密码设备上运行密码算法，采集密码设备运行时的能量迹；
S2，特征点提取：提取出与侧信道攻击相关的特征点，得到新的能量迹；
S3，数据集构建：根据特征点提取后的能量迹数据，构建数据集，数据集包括建模集和测试集，建模集用于卷积神经网络模型训练和建模，测试集用于卷积神经网络模型评价和密钥恢复；
S4，卷积神经网络搭建：搭建卷积神经网络，卷积神经网络包括沿能量迹数据传输先后顺序依次电相连的一层卷积层、一层池化层、两层及以上全连接层、输出层，全连接层和/或输出层中的神经元个数因能量模型的种类不同而不同；
S5，模型训练：将训练集中所有能量迹以及对应的标签，输入到深度学习卷积神经网络中进行训练，得到训练后的神经网络模型；
S6，模型评价：对训练结果进行模型评价，若训练后的神经网络模型满足评价条件，则执行步骤S7；否则，返回步骤S5；
S7，密钥恢复：使用训练后的神经网络模型，对测试集中能量迹进行攻击，获取密钥信息。
作为一种优选的技术方案，步骤S3中，对建模集中每条能量迹，按照选择的不同能量模型计算能量迹的标签值，若选择的是HW模型，则标签值为S盒第一轮输出的中间值的汉明重量；若选择的是ID模型，则标签值为S盒第一轮输出的中间值。
作为一种优选的技术方案，步骤S4中，卷积层的卷积核大小为10*10，步长为10；池化层的池化核大小为1，步长为1，池化类型为最大池化。
作为一种优选的技术方案，步骤S4中，若能量模型为HW模型，则全连接层中神经元个数为36；若能量模型为ID模型，则全连接层中神经元个数为256。
作为一种优选的技术方案，步骤S4中，若能量模型为HW模型，则输出层中神经元个数为9；若能量模型为ID模型，则输出层中神经元个数为256。
作为一种优选的技术方案，步骤S4中，全连接层的层数为三层。
作为一种优选的技术方案，步骤S2中，采用归一化类间方差对能量迹进行降维并确定能量信息泄露位置后，再提取出与侧信道攻击相关的特征点。
作为一种优选的技术方案，步骤S3中，对提取特征后的能量迹数据，进行归一化处理缩放到[-1,1]，使得每条能量迹数据具有0均值和标准方差。
作为一种优选的技术方案，步骤S6中，建立Accuracy准确率评估准则对卷积神经网络训练结果进行模型评价。
一种基于卷积神经网络的侧信道攻击系统，基于所述的一种基于卷积神经网络的侧信道攻击方法，包括依次相连的以下模块：
能量迹数据采集模块：用以在密码设备上运行密码算法，采集密码设备运行时的能量迹；
特征点提取模块：用以提取出与侧信道攻击相关的特征点，得到新的能量迹；
数据集构建模块：用以根据特征点提取后的能量迹数据，构建数据集，数据集包括建模集和测试集，建模集用于卷积神经网络模型训练和建模，测试集用于卷积神经网络模型评价和密钥恢复；
卷积神经网络搭建模块：用以搭建卷积神经网络，卷积神经网络包括沿能量迹数据传输先后顺序依次电相连的一层卷积层、一层池化层、两层及以上全连接层、输出层，全连接层和/或输出层中的神经元个数因能量模型的种类不同而不同。
模型训练模块：用以将训练集中所有能量迹以及对应的标签，输入到深度学习卷积神经网络中进行训练，得到训练后的神经网络模型；
模型评价模块：用以对训练结果进行模型评价；
密钥恢复模块：用以使用训练后的神经网络模型，对测试集中能量迹进行攻击，获取密钥信息。
本发明相比于现有技术，具有以下有益效果：
(1)本发明卷积神经网络可以根据能量模型的不同，进行适配，以提高攻击成功率；
(2)本发明针对传统模板攻击的一些不足，基于深度学习卷积神经网络的建模攻击方法，搭建了一种独特六层结构的卷积神经网络，该卷积神经网络仅采用了一个卷积层和池化层，减少了参数训练次数，可以大大增加攻击效率；同时，该网络针对不同能量模型，共用相同的卷积层和池化层，可以应用于多种不同特征的能量曲线，具有较高的普适性。
附图说明
图1为本发明所述一种基于卷积神经网络的侧信道攻击方法的步骤图；
图2为本发明所述一种基于卷积神经网络的侧信道攻击系统的结构框图；
图3为本发明卷积神经网络的结构示意图；
图4为本发明实施例3中特征点提取结果图。
具体实施方式
下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。
实施例1
如图1至图4所示，本发明的目的在于克服现有技术中模板构建不精确，以被分析密码设备的信号噪声服从多变量高斯分布的概率模型为前提假设的不足，提出一种基于卷积神经网络的侧信道攻击方法，该方法中的卷积神经网络可以根据能量模型的不同，进行适配，以提高攻击成功率。
为实现上述发明目的，本发明基于深度学习卷积神经网络的侧信道攻击方法，包括以下步骤：
(1)能量迹数据采集；
在密码设备上运行密码算法，密钥不变，明文随机，同时采集能量迹，每条能量迹采集T个样本点，共采集N条能量迹。
(2)特征点提取；
使用归一化类间方差(Normalized Inter-Class Variance，NICV)对能量迹进行降维，确定能量信息泄露位置，并提取出与攻击相关的特征点，得到新的N条能量迹，每条能量迹包含t(t＜T)个点。
(3)数据集构建；
对提取特征后的能量迹数据，进行归一化处理，缩放到[-1,1]，使得每条能量迹数据具有0均值和标准方差，并按照能量迹数量的4:1的比例分为建模集和测试集两部分，建模集用于卷积神经网络模型训练和建模，测试集用于卷积神经网络模型评价和密钥恢复。
对建模集中每条能量迹，按照选择的不同能量模型计算其标签值，如果选择的是HW模型(汉明重量模型，Hamming Weight模型)，标签值为S盒(Substitution-box))第一轮输出的中间值的汉明重量；如果选择的是ID模型(密钥字节身份模型，Identity模型)，标签值为S盒第一轮输出的中间值。
(4)卷积神经网络搭建；
所述卷积神经网络包括：
第一层为卷积层，卷积核大小为10*10，步长为10，激活函数采用修正线性单元ReLu，对输入的能量迹进行卷积操作；
第二层为池化层，其池化核大小为1，步长为1，池化类型为最大池化，对输入的数据进行池化操作。池化后的数据经过压平(Flatten)，将数据降低至一维后输出；
第三至五层为全连接层，神经元个数可以根据能量模型进行选择，如果能量模型为HW模型，则神经元个数为36；如果能量模型为ID模型，则神经元个数为256。激活函数采用双切正切函数tanh；
第六层为输出层，神经元个数可以根据能量模型进行选择，如果能量模型为HW模型，则神经元个数为9；如果能量模型为ID模型，则神经元个数为256。激活函数采用softmax。
(5)模型训练；
将训练集中所有能量迹以及对应的标签，输入到深度学习卷积神经网络中进行训练，设定迭代次数epoch为5、学习速率lr为0.01和批处理Mini-batch-size为128。得到平均损失最小的神经网络模型，保存相应参数。
(6)模型评价；
对训练结果进行模型评价，建立Accuracy准确率评估准则：
其中，假设卷积神经网络输入能量迹为Yattack＝{x,k}，x为能量消耗值，k为密钥信息。w表示训练后最优神经网络的权重。
(7)密钥恢复。
使用保存的神经网络模型，对测试集中能量迹进行攻击，当模型评价结果合格时，采用分而治之的策略，对密码算法的所有密钥字节逐个进行恢复，获取密钥信息。否则返回步骤(4)。
本发明针对传统模板攻击的一些不足，基于深度学习卷积神经网络的建模攻击方法，搭建了一种独特六层结构的卷积神经网络，该卷积神经网络仅采用了一个卷积层和池化层，减少了参数训练次数，可以大大增加攻击效率；同时，该网络针对不同能量模型，共用相同的卷积层和池化层，可以应用于多种不同特征的能量曲线，具有较高的普适性。
实施例2
在本实施例中，包括以下步骤：
步骤S1：能量迹数据采集；
将密码算法固件(如AES)下载至密码设备中。通过上位机下发固定密钥和随机明文至密码设备，密码设备接受到密钥和明文后开始运行密码算法，在完成一次加密后，将密文返回给上位机。与此同时，示波器采集密码设备加密时产生的能量信号，并通过网线将能量信号传回上位机。上位机将接收的密文、能量信号和之前下发的明文一起组包成能量迹文件。重复采集10万组能量迹，每条能量迹采样1200个样本点。
步骤S2：特征点提取；
使用归一化类间方差(Normalized Inter-Class Variance，NICV)对能量迹进行降维，确定能量信息泄露位置。本实施中，NICV计算公式为：
其中，X为明文的一个字节，Y表示能量迹。
对能量迹进行特征提取，得到结果如图4所示，图中最大尖峰位置为能量信息泄露位置，在能量迹上提取相应位置附近100个样本点作为特征点，将单条能量迹维度从1200降低至100。
步骤S3：构建数据集；
对特征提取后的能量迹数据，进行归一化处理，缩放到[-1,1]，使得每条能量迹数据具有0均值和标准方差，并按照4:1的比例分为建模集和测试集两部分，建模集共80000条能量迹，测试集共20000条能量迹。再次按照0.95:0.05的比例，将建模集中能量迹分为训练集和验证集。
对训练集中每条能量迹，按照选择的不同能量模型计算其标签值，如果选择的是HW模型，标签值为S盒第一轮输出的中间值的汉明重量；如果选择的是ID模型，标签值为S盒第一轮输出的中间值。
步骤S4：搭建深度学习卷积神经网络；
所述深度学习卷积神经网络包括：
第一层为卷积层，卷积核大小为10*10，步长为10，激活函数采用修正线性单元ReLu，对输入的能量迹进行卷积操作。本实施中，ReLu计算公式为：
第二层为池化层，其池化核大小为1，步长为1，池化类型为最大池化，对输入的数据进行池化操作。池化后的数据经过压平(Flatten)，将数据降低至一维后输出；
第三至五层为全连接层，神经元个数可以根据能量模型进行选择，如果能量模型为HW模型，则神经元个数为36；如果能量模型为ID模型，则神经元个数为256。激活函数采用双切正切函数tanh，本实施中，tanh计算公式为：
第六层为输出层，神经元个数可以根据能量模型进行选择，如果能量模型为HW模型，则神经元个数为9；如果能量模型为ID模型，则神经元个数为256。激活函数采用softmax，本实施中，softmax计算公式为：
其中，zi为第i个节点的输出值，C为输出节点的个数，即分类的类别个数。
步骤S5：模型训练；
将建模集中所有能量迹以及对应的标签，输入到深度学习卷积神经网络中进行训练，设定迭代次数epoch为5、学习速率lr为0.01和批处理Mini-batch-size为128。得到平均损失最小的神经网络模型，保存相应参数。
步骤S6：模型评价；
对训练结果进行模型评价，建立Accuracy准确率评估准则：
其中，假设卷积神经网络输入能量迹为Yattack＝{x,k}，x为能量消耗值，k为密钥信息。w表示训练后最优神经网络的权重。若acc的值在设定的范围内，则执行步骤S7；否则，返回步骤S5。
步骤S7：密钥恢复。
使用保存的神经网络模型，对测试集中能量迹进行攻击，当模型评估结果合格时，采用分而治之的策略，对密码算法的所有密钥字节逐个进行恢复，获取密钥信息。否则返回步骤S4。
如上所述，可较好地实现本发明。
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的侧信道攻击方法，其特征在于，包括以下步骤：
S1，能量迹数据采集：在密码设备上运行密码算法，采集密码设备运行时的能量迹；
S2，特征点提取：提取出与侧信道攻击相关的特征点，得到新的能量迹；
S3，数据集构建：根据特征点提取后的能量迹数据，构建数据集，数据集包括建模集和测试集，建模集用于卷积神经网络模型训练和建模，测试集用于卷积神经网络模型评价和密钥恢复；
S4，卷积神经网络搭建：搭建卷积神经网络，卷积神经网络包括沿能量迹数据传输先后顺序依次电相连的一层卷积层、一层池化层、两层及以上全连接层、输出层，全连接层和/或输出层中的神经元个数因能量模型的种类不同而不同；
S5，模型训练：将训练集中所有能量迹以及对应的标签，输入到深度学习卷积神经网络中进行训练，得到训练后的神经网络模型；
S6，模型评价：对训练结果进行模型评价，若训练后的神经网络模型满足评价条件，则执行步骤S7；否则，返回步骤S5；
S7，密钥恢复：使用训练后的神经网络模型，对测试集中能量迹进行攻击，获取密钥信息。
2.根据权利要求1所述的一种基于卷积神经网络的侧信道攻击方法，其特征在于，步骤S3中，对建模集中每条能量迹，按照选择的不同能量模型计算能量迹的标签值，若选择的是HW模型，则标签值为S盒第一轮输出的中间值的汉明重量；若选择的是ID模型，则标签值为S盒第一轮输出的中间值。
3.根据权利要求2所述的一种基于卷积神经网络的侧信道攻击方法，其特征在于，步骤S4中，卷积层的卷积核大小为10*10，步长为10；池化层的池化核大小为1，步长为1，池化类型为最大池化。
4.根据权利要求3所述的一种基于卷积神经网络的侧信道攻击方法，其特征在于，步骤S4中，若能量模型为HW模型，则全连接层中神经元个数为36；若能量模型为ID模型，则全连接层中神经元个数为256。
5.根据权利要求4所述的一种基于卷积神经网络的侧信道攻击方法，其特征在于，步骤S4中，若能量模型为HW模型，则输出层中神经元个数为9；若能量模型为ID模型，则输出层中神经元个数为256。
6.根据权利要求5所述的一种基于卷积神经网络的侧信道攻击方法，其特征在于，步骤S4中，全连接层的层数为三层。
7.根据权利要求1至6任一项所述的一种基于卷积神经网络的侧信道攻击方法，其特征在于，步骤S2中，采用归一化类间方差对能量迹进行降维并确定能量信息泄露位置后，再提取出与侧信道攻击相关的特征点。
8.根据权利要求7所述的一种基于卷积神经网络的侧信道攻击方法，其特征在于，步骤S3中，对提取特征后的能量迹数据，进行归一化处理缩放到[-1,1]，使得每条能量迹数据具有0均值和标准方差。
9.根据权利要求8所述的一种基于卷积神经网络的侧信道攻击方法，其特征在于，步骤S6中，建立Accuracy准确率评估准则对卷积神经网络训练结果进行模型评价。
10.一种基于卷积神经网络的侧信道攻击系统，其特征在于，基于权利要求1至9任一项所述的一种基于卷积神经网络的侧信道攻击方法，包括依次相连的以下模块：
能量迹数据采集模块：用以在密码设备上运行密码算法，采集密码设备运行时的能量迹；
特征点提取模块：用以提取出与侧信道攻击相关的特征点，得到新的能量迹；
数据集构建模块：用以根据特征点提取后的能量迹数据，构建数据集，数据集包括建模集和测试集，建模集用于卷积神经网络模型训练和建模，测试集用于卷积神经网络模型评价和密钥恢复；
卷积神经网络搭建模块：用以搭建卷积神经网络，卷积神经网络包括沿能量迹数据传输先后顺序依次电相连的一层卷积层、一层池化层、两层及以上全连接层、输出层，全连接层和/或输出层中的神经元个数因能量模型的种类不同而不同。
模型训练模块：用以将训练集中所有能量迹以及对应的标签，输入到深度学习卷积神经网络中进行训练，得到训练后的神经网络模型；
模型评价模块：用以对训练结果进行模型评价；
密钥恢复模块：用以使用训练后的神经网络模型，对测试集中能量迹进行攻击，获取密钥信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111598760.3A CN114285545B (zh) | 2021-12-24 | 2021-12-24 | 一种基于卷积神经网络的侧信道攻击方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111598760.3A CN114285545B (zh) | 2021-12-24 | 2021-12-24 | 一种基于卷积神经网络的侧信道攻击方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114285545A true CN114285545A (zh) | 2022-04-05 |
| CN114285545B CN114285545B (zh) | 2024-05-17 |
Family
ID=80874955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111598760.3A Active CN114285545B (zh) | 2021-12-24 | 2021-12-24 | 一种基于卷积神经网络的侧信道攻击方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114285545B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117155531A (zh) * | 2023-08-28 | 2023-12-01 | 哈尔滨理工大学 | 一种基于clrm模型的深度学习侧信道攻击方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018113014A1 (zh) * | 2016-12-22 | 2018-06-28 | 深圳国微技术有限公司 | 掩码s盒、分组密钥计算单元、装置及对应的构造方法 |
| CN110048827A (zh) * | 2019-04-15 | 2019-07-23 | 电子科技大学 | 一种基于深度学习卷积神经网络的类模板攻击方法 |
| CN112800471A (zh) * | 2021-02-23 | 2021-05-14 | 广西师范大学 | 多源域迁移中的对抗域自适应差分隐私保护方法 |
| CN113051628A (zh) * | 2021-03-22 | 2021-06-29 | 北京计算机技术及应用研究所 | 基于残差学习的芯片侧信道攻击降噪预处理方法 |
| CN113326659A (zh) * | 2021-06-16 | 2021-08-31 | 长沙理工大学 | 一种红黏土压实度快速检测方法 |
-
2021
- 2021-12-24 CN CN202111598760.3A patent/CN114285545B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018113014A1 (zh) * | 2016-12-22 | 2018-06-28 | 深圳国微技术有限公司 | 掩码s盒、分组密钥计算单元、装置及对应的构造方法 |
| CN110048827A (zh) * | 2019-04-15 | 2019-07-23 | 电子科技大学 | 一种基于深度学习卷积神经网络的类模板攻击方法 |
| CN112800471A (zh) * | 2021-02-23 | 2021-05-14 | 广西师范大学 | 多源域迁移中的对抗域自适应差分隐私保护方法 |
| CN113051628A (zh) * | 2021-03-22 | 2021-06-29 | 北京计算机技术及应用研究所 | 基于残差学习的芯片侧信道攻击降噪预处理方法 |
| CN113326659A (zh) * | 2021-06-16 | 2021-08-31 | 长沙理工大学 | 一种红黏土压实度快速检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴震等: "有学习的高阶DPA攻击", 通信学报, pages 138 - 145 * |
| 罗泽鹏等: "高维数据集在卷积神经网络中的应用研究", 无线互联科技, pages 95 - 97 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117155531A (zh) * | 2023-08-28 | 2023-12-01 | 哈尔滨理工大学 | 一种基于clrm模型的深度学习侧信道攻击方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114285545B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Anomaly detection for in-vehicle network using CNN-LSTM with attention mechanism | |
| CN110048827B (zh) | 一种基于深度学习卷积神经网络的类模板攻击方法 | |
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN111901340B (zh) | 一种面向能源互联网的入侵检测系统及其方法 | |
| Thiruloga et al. | TENET: Temporal CNN with attention for anomaly detection in automotive cyber-physical systems | |
| CN110324147B (zh) | 基于混沌模型的gan博弈对抗加密方法 | |
| Chu et al. | Industrial control intrusion detection approach based on multiclassification GoogLeNet-LSTM model | |
| CN111565189A (zh) | 基于深度学习的侧信道分析方法 | |
| Yang et al. | A novel cross-domain fault diagnosis method based on model agnostic meta-learning | |
| Zhang et al. | A novel fault diagnosis method based on stacked lstm | |
| CN113630235A (zh) | 一种侧信道分析及其模型构建的方法与装置 | |
| CN112787971A (zh) | 侧信道攻击模型的构建方法、密码攻击设备及计算机存储介质 | |
| CN114285545B (zh) | 一种基于卷积神经网络的侧信道攻击方法及系统 | |
| CN113111731A (zh) | 基于测信道信息的深度神经网络黑盒对抗样本生成方法及系统 | |
| CN116248392A (zh) | 一种基于多头注意力机制的网络恶意流量检测系统及方法 | |
| Zhang et al. | Towards multi-scenario power system stability analysis: An unsupervised transfer learning method combining DGAT and data augmentation | |
| CN113158179B (zh) | 自动发现泄露模型的有学习的侧信道攻击方法及加密设备 | |
| Abdulaal et al. | Real-time synchronization in neural networks for multivariate time series anomaly detection | |
| Samizade et al. | Passive browser identification with multi-scale convolutional neural networks | |
| CN115422603A (zh) | 一种基于模板主成分回归的分组密码硬件安全评估方法 | |
| CN116467720A (zh) | 一种基于图神经网络的智能合约漏洞检测方法及电子设备 | |
| CN116260565A (zh) | 芯片电磁侧信道分析方法、系统及存储介质 | |
| Hu et al. | Software implementation of aes-128: Side channel attacks based on power traces decomposition | |
| CN115941281A (zh) | 一种基于双向时间卷积神经网络与多头自注意力机制的异常网络流量检测方法 | |
| CN115037437A (zh) | 使用SpecAugment技术的基于深度学习的侧信道攻击方法及系统 |
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 |