CN117040722A - 一种基于多损耗正则化降噪自动编码器的侧信道分析方法 - Google Patents
一种基于多损耗正则化降噪自动编码器的侧信道分析方法 Download PDFInfo
- Publication number
- CN117040722A CN117040722A CN202311293841.1A CN202311293841A CN117040722A CN 117040722 A CN117040722 A CN 117040722A CN 202311293841 A CN202311293841 A CN 202311293841A CN 117040722 A CN117040722 A CN 117040722A
- Authority
- CN
- China
- Prior art keywords
- side channel
- original
- correlation
- loss
- curve
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 113
- 238000004458 analytical method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 230000000875 corresponding effect Effects 0.000 claims description 184
- 238000005259 measurement Methods 0.000 claims description 73
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- H04L9/002—Countermeasures against attacks on cryptographic mechanisms
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请实施例提供了一种基于多损耗正则化降噪自动编码器的侧信道分析方法,涉及网络安全侧信道分析技术领域,该方法包括:分别将对目标设备的侧信道数据进行采样得到的多条原始侧信道曲线输入至原始编码器中,得到各目标侧信道曲线;确定目标内部相关损失和外部损失,基于目标内部相关损失和外部损失对原始编码器进行训练,得到训练好的降噪编码器,内部相关损失表示各原始侧信道曲线中同一测量节点对应的各特征点的相关性与各目标侧信道曲线中同一测量节点对应的各特征点的相关性之间的差异。应用本申请实施例提供的方法,在对原始编码器进行训练的过程中考虑了侧信道曲线内部的相关性,可以减少过拟合的问题,提高侧信道分析的准确性。
Description
技术领域
本申请涉及网络安全侧信道分析技术领域,特别是涉及一种基于多损耗正则化降噪自动编码器的侧信道分析方法。
背景技术
侧信道分析方法又称侧信道攻击方法,是一种通过统计加密设备运行密码时产生的物理泄露(也称为侧信道信息),从而最终分析出密钥的方法,例如对密码算法的计时进行分析、对能量变化进行分析以及对电磁变化进行分析等。由于侧信道分析方法可以绕过加密算法对加密设备的密钥进行恢复,给加密设备带来严重威胁,因此,侧信道分析方法逐渐受到人们的重视。
然而由于侧信道分析方法中,获取到的侧信道信息容易受到环境噪声的影响,从而由侧信道信息构成的侧信道曲线也存在较严重的噪声,严重影响了侧信道分析方法中数据的准确性。现有技术中,通常采用滤波器或深度学习降噪方法来对侧信道曲线进行降噪处理,但基于滤波器的降噪方法对数据采集设备的要求较高,并且需要用户具备基本的知识后才能设置滤波器的参数,通用性较低;而深度学习降噪方法需要大量的训练数据和计算资源,对数据的要求较高。因此,研究通用性高、准确率高的侧信道分析方法成为了人们关注的重点。
发明内容
本申请实施例的目的在于提供一种基于多损耗正则化降噪自动编码器的侧信道分析方法,以实现对侧信道曲线进行降噪处理,提升侧信道分析的准确性。具体技术方案如下:
第一方面,本申请实施例提供了一种基于多损耗正则化降噪自动编码器的侧信道分析方法,所述方法包括:
分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量所述目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条所述原始侧信道曲线中包括与各所述测量节点对应的各特征点,所述特征点用于表示在对应的测量节点测量得到的侧信道数据;
针对各所述原始侧信道曲线,将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线;
确定原始内部相关损失和外部损失,其中,所述原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,所述外部损失是用于表示原始侧信道曲线和所述目标侧信道曲线之间的差异,所述原始内部相关性为各所述原始侧信道曲线中同一测量节点对应的各特征点的相关性,所述预测内部相关性为各所述目标侧信道曲线中同一测量节点对应的各特征点的相关性;
对所述原始内部相关损失进行正则化,得到目标内部相关损失;
基于所述目标内部相关损失和所述外部损失对所述原始编码器进行训练,得到训练好的降噪编码器,以通过所述降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到所述待降噪侧信道曲线对应的待分析侧信道曲线,并对所述待分析侧信道曲线进行分析。
在一种可能的实施方式中,
所述确定原始内部相关损失的步骤包括:
针对每个测量节点,获取各所述原始侧信道曲线中所述测量节点对应的所述特征点作为所述测量节点对应的原始内部点集,并获取各所述目标侧信道曲线中所述测量节点对应的所述特征点作为所述测量节点对应的目标内部点集;
针对每个测量节点,计算所述测量节点对应的所述原始内部点集和所述目标内部点集之间的相关系数;
基于各所述相关系数计算所述原始内部相关损失,其中,所述原始内部相关损失与各所述相关系数负相关。
在一种可能的实施方式中,所述对所述原始内部相关损失进行正则化,得到目标内部相关损失,包括:
基于约束上界和约束下界对所述原始内部相关损失归一化,得到所述目标内部相关损失。
在一种可能的实施方式中,所述目标内部相关损失是基于以下方式计算的:
;
其中,表示所述目标内部相关损失,/>表示所述原始内部相关损失;表示所述多条原始侧信道曲线上所有第j个特征点构成的集合,/>表示约束上界,/>表示约束下界,/>表示约束上界,/>表示约束下界。
在一种可能的实施方式中,所述约束上界和所述约束下界是通过以下步骤得到的:
将所述多条原始侧信道曲线分为多个原始侧信道曲线组;
针对每个所述原始侧信道曲线组,计算所述原始侧信道曲线组对应的第一相关系数;
将各所述第一相关系数中的最大值确定为所述约束上界,将各所述第一相关系数中的最小值确定为所述约束下界。
在一种可能的实施方式中,所述针对每个所述原始侧信道曲线组,计算所述原始侧信道曲线组对应的第一相关系数,包括:
针对每个测量节点,获取所述测量节点对应的特征点作为所述测量节点对应的原始内部点集,并获取各所述原始侧信道曲线中与所述特征点相邻的下一个特征点作为所述测量节点对应的相邻内部点集;
针对每个测量节点,计算所述原始内部点集与所述相邻内部点集之间的第二相关系数;
基于各第二相关系数计算所述第一相关系数,其中,所述第一相关系数与所述第二相关系数正相关。
在一种可能的实施方式中,所述外部损失包括预测误差损失和/或相关系数损失;
所述预测误差损失是用于表示所述原始侧信道曲线中的特征点和所述目标侧信道曲线中的特征点之间的差异,所述相关系数损失是用于表示原始曲线相关性和预测曲线相关性之间的差异,所述原始曲线相关性为所述原始侧信道曲线上所有特征点之间的相关性,所述预测曲线相关性为所述目标侧信道曲线上所有特征点之间的相关性。
在一种可能的实施方式中,所述相关系数损失是基于以下方式计算的:
;
其中,CORR表示相关系数损失函数值,N表示所述原始侧信道曲线的总数,i表示第i条原始侧信道曲线,表示第i条原始侧信道曲线上所有特征点构成的集合,/>表示第i条目标侧信道曲线上的所有特征点构成的集合。
在一种可能的实施方式中,所述原始编码器包括编码模块和解码模块;其中,所述将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线,包括:
将所述原始侧信道曲线输入至所述编码模块中,得到编码特征信息;
将所述编码特征信息输入至所述解码模块中,得到所述原始侧信道曲线对应的目标侧信道曲线。
第二方面,本申请实施例提供了一种基于高效降噪自动编码器的侧信道分析方法,所述方法包括:
分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量所述目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条所述原始侧信道曲线中包括与各所述测量节点对应的各特征点,所述特征点用于表示在对应的测量节点测量得到的侧信道数据;
针对各所述原始侧信道曲线,将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线;
确定原始内部相关损失,其中,所述原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,所述原始内部相关性为各所述原始侧信道曲线中同一测量节点对应的各特征点的相关性,所述预测内部相关性为各所述目标侧信道曲线中同一测量节点对应的各特征点的相关性;
基于所述原始内部相关损失对所述原始编码器进行训练,得到训练好的降噪编码器,以通过所述降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到所述待降噪侧信道曲线对应的待分析侧信道曲线,并对所述待分析侧信道曲线进行分析。
第三方面,本申请实施例提供了一种基于多损耗正则化降噪自动编码器的侧信道分析装置,所述装置包括:
第一曲线获取模块,用于分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量所述目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条所述原始侧信道曲线中包括与各所述测量节点对应的各特征点,所述特征点用于表示在对应的测量节点测量得到的侧信道数据;
第一曲线输入模块,用于针对各所述原始侧信道曲线,将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线;
第一损失确定模块,用于确定原始内部相关损失和外部损失,其中,所述原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,所述外部损失是用于表示原始侧信道曲线和所述目标侧信道曲线之间的差异,所述原始内部相关性为各所述原始侧信道曲线中同一测量节点对应的各特征点的相关性,所述预测内部相关性为各所述目标侧信道曲线中同一测量节点对应的各特征点的相关性;
损失正则化模块,用于对所述原始内部相关损失进行正则化,得到目标内部相关损失;
第一编码器训练模块,用于基于所述目标内部相关损失和所述外部损失对所述原始编码器进行训练,得到训练好的降噪编码器,以通过所述降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到所述待降噪侧信道曲线对应的待分析侧信道曲线,并对所述待分析侧信道曲线进行分析。
在一种可能的实施方式中,所述第一损失确定模块包括:
特征点获取子模块,用于针对每个测量节点,获取各所述原始侧信道曲线中所述测量节点对应的所述特征点作为所述测量节点对应的原始内部点集,并获取各所述目标侧信道曲线中所述测量节点对应的所述特征点作为所述测量节点对应的目标内部点集;
相关系数计算子模块,用于针对每个测量节点,计算所述测量节点对应的所述原始内部点集和所述目标内部点集之间的相关系数;
损失计算子模块,用于基于各所述相关系数计算所述原始内部相关损失,其中,所述原始内部相关损失与各所述相关系数负相关;
在一种可能的实施方式中,所述损失正则化模块,具体用于:
基于约束上界和约束下界对所述原始内部相关损失归一化,得到所述目标内部相关损失;
所述内部相关损失是基于以下方式计算的:
)
其中,表示所述目标内部相关损失,/>表示所述原始内部相关损失;表示所述多条原始侧信道曲线上所有第j个特征点构成的集合,/>表示约束上界,/>表示约束下界;
在一种可能的实施方式中,所述约束上界和所述约束下界是通过以下步骤得到的:
将所述多条原始侧信道曲线分为多个原始侧信道曲线组;
针对每个所述原始侧信道曲线组,计算所述原始侧信道曲线组对应的第一相关系数;
将各所述第一相关系数中的最大值确定为所述约束上界,将各所述第一相关系数中的最小值确定为所述约束下界;
在一种可能的实施方式中,所述针对每个所述原始侧信道曲线组,计算所述原始侧信道曲线组对应的第一相关系数,包括:
针对每个测量节点,获取所述测量节点对应的特征点作为所述测量节点对应的原始内部点集,并获取各所述原始侧信道曲线中与所述特征点相邻的下一个特征点作为所述测量节点对应的相邻内部点集;
针对每个测量节点,计算所述原始内部点集与所述相邻内部点集之间的第二相关系数;
基于各第二相关系数计算所述第一相关系数,其中,所述第一相关系数与所述第二相关系数正相关;
在一种可能的实施方式中,所述外部损失包括预测误差损失和/或相关系数损失;
所述预测误差损失是用于表示所述原始侧信道曲线中的特征点和所述目标侧信道曲线中的特征点之间的差异,所述相关系数损失是用于表示原始曲线相关性和预测曲线相关性之间的差异,所述原始曲线相关性为所述原始侧信道曲线上所有特征点之间的相关性,所述预测曲线相关性为所述目标侧信道曲线上所有特征点之间的相关性;
在一种可能的实施方式中,所述相关系数损失是基于以下方式计算的:
;
其中,CORR表示相关系数损失函数值,N表示所述原始侧信道曲线的总数,i表示第i条原始侧信道曲线,表示第i条原始侧信道曲线上所有特征点构成的集合,/>表示第i条目标侧信道曲线上的所有特征点构成的集合;
所述原始编码器包括编码模块和解码模块;其中,所述将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线,包括:
将所述原始侧信道曲线输入至所述编码模块中,得到编码特征信息;
将所述编码特征信息输入至所述解码模块中,得到所述原始侧信道曲线对应的目标侧信道曲线。
第四方面,本申请实施例提供了一种基于高效降噪自动编码器的侧信道分析装置,所述装置包括:
第二曲线获取模块,用于分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量所述目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条所述原始侧信道曲线中包括与各所述测量节点对应的各特征点,所述特征点用于表示在对应的测量节点测量得到的侧信道数据;
第二曲线输入模块,用于针对各所述原始侧信道曲线,将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线;
第二损失确定模块,用于确定原始内部相关损失,其中,所述原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,所述原始内部相关性为各所述原始侧信道曲线中同一测量节点对应的各特征点的相关性,所述预测内部相关性为各所述目标侧信道曲线中同一测量节点对应的各特征点的相关性;
第二编码器训练模块,用于基于所述原始内部相关损失对所述原始编码器进行训练,得到训练好的降噪编码器,以通过所述降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到所述待降噪侧信道曲线对应的待分析侧信道曲线,并对所述待分析侧信道曲线进行分析。
第五方面,本申请实施例提供了一种电子设备,包括:
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现本申请中任一所述的基于多损耗正则化降噪自动编码器的侧信道分析方法或基于高效降噪自动编码器的侧信道分析方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现本申请中任一所述的基于多损耗正则化降噪自动编码器的侧信道分析方法或基于高效降噪自动编码器的侧信道分析方法。
本申请实施例有益效果:
本申请实施例提供的基于多损耗正则化降噪自动编码器的侧信道分析方法,将原始侧信道曲线输入至原始编码器中得到各原始侧信道曲线对应的目标侧信道曲线,然后基于原始侧信道曲线和目标侧信道曲线确定目标内部相关损失和外部损失,并基于目标内部相关损失和外部损失对原始编码器进行训练,由于内部相关损失是用于表示各原始侧信道曲线中同一测量节点对应的各特征点的相关性与各目标侧信道曲线中同一测量节点对应的各特征点的相关性之间的差异的,外部损失是用于表示原始侧信道曲线和目标侧信道曲线之间的差异,这样,在对原始编码器进行训练的过程中不仅考虑了外部损失,还考虑了侧信道曲线内部的相关性,提高了降噪编码器的准确性,同时,对内部相关损失进行正则化,降低了降噪编码器对侧信道曲线进行降噪过程中过拟合的可能性,进一步提高了侧信道分析的准确性。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的一种基于多损耗正则化降噪自动编码器的侧信道分析方法的示意图;
图2为本申请实施例提供的一种基于多损耗正则化降噪自动编码器的侧信道分析方法的第一种示例图;
图3为本申请实施例提供的一种基于多损耗正则化降噪自动编码器的侧信道分析方法的第二种示例图;
图4为本申请实施例提供的一种基于高效降噪自动编码器的侧信道分析方法的示意图;
图5为本申请实施例提供的一种基于多损耗正则化降噪自动编码器的侧信道分析装置的结构示意图;
图6为本申请实施例提供的一种基于高效降噪自动编码器的侧信道分析装置的结构示意图;
图7为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本申请保护的范围。
首先,对本申请实施例中的专业术语进行解释:
侧信道分析:是一种基于侧信道数据对目标设备的攻击方法,例如经过功耗、电磁辐射、时间、及其它一些可检测到的信息泄露出与密钥相关的信息。
侧信道曲线:由采集的目标设备的侧信道数据构建的曲线。
降噪自动编码器:Denoising Auto Encoder,简称DAE,是一种无监督学习算法,用于根据高噪声的输入数据预测低噪声的数据的自编码器。
欧式距离:Eucli Dean metric,简称ED,指在m维空间中两个点之间的真实距离,在二维和三维空间中欧氏距离就是两点之间的实际距离。
曲线内部数据相关性:Intra Data Correlation,简称IDC,表示侧信道测量的数据内部相关性。
由于侧信道分析技术可以利用检测到的与密钥相关的信息对安全设备进行攻击,因此为了更有效地对侧信道攻击进行防御,在安全设备执行加密算法后,可以使用侧信道分析方法进行检测。
为了提高侧信道分析的准确性,第一方面,本申请实施例提供了一种基于多损耗正则化降噪自动编码器的侧信道分析方法,可以应用于电子设备。在具体的应用中,该电子设备可以为服务器,也可以为终端设备,均在本申请的保护范围内。
可以理解的是,本申请中的编码器可以是任一编码器,多损耗正则化降噪自动编码器仅仅只是编码器的名称,并不是对编码器的限定。本申请中基于内部相关损失对原始编码器进行训练,得到的降噪编码器能够减少对原始侧信道曲线进行降噪过程中过拟合的问题,从而能够更好的对降噪编码器输出的目标侧信道曲线进行分析,因此,本申请中的基于多损耗正则化自动编码器的侧信道分析方法是一种侧信道分析方法。
参见图1,本申请实施例提供了一种基于多损耗正则化降噪自动编码器的侧信道分析方法,该方法包括:
步骤S1,分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条原始侧信道曲线中包括与各测量节点对应的各特征点,特征点用于表示在对应的测量节点测量得到的侧信道数据;
其中,测量节点是预先设置的,可以是时间节点,也可以是频率节点。示例性的,可以设置测量节点为时间节点,预先设置每5毫秒采集一次侧信道数据。
其中,侧信道数据是指在信息传输或处理过程中,除了主要信道之外的其他信道(即侧信道)产生的附加数据,侧信道数据可以是关于系统运行状态的信息,也可以是时间延迟或功耗等方面的信息,示例性的,以通过CPU加密数据的场景为例,主要信道产生的数据即为加密得到的密文,侧信道数据可以是CPU执行加密算法时的功耗。本申请不对侧信道数据的来源做任何限定。
可以理解的是,本文中的侧信道曲线是由各测量节点的侧信道数据构建的曲线,具体的,是侧信道数据随测量节点变化的曲线,示例性的,当采集的侧信道数据为CPU执行加密算法时的功耗,测量节点为时间节点,则侧信道曲线是功耗随时间变化的曲线。
步骤S2,针对各原始侧信道曲线,将原始侧信道曲线输入至原始编码器中,得到原始侧信道曲线对应的目标侧信道曲线;
其中,原始编码器是具有降噪功能的编码器,原始侧信道曲线是高噪声的侧信道曲线,高噪声的侧信道曲线是指在对侧信道数据进行采样的过程中受到严重噪声干扰而使得噪点高于预设噪点阈值的侧信道曲线;目标侧信道曲线是低噪声的侧信道曲线,低噪声的侧信道曲线是噪点少于预设噪点阈值的侧信道曲线。将高噪声的侧信道曲线输入到具有降噪功能的原始编码器中,可以得到低噪声的侧信道曲线。
步骤S3,确定原始内部相关损失和外部损失;
其中,原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,外部损失是用于表示原始侧信道曲线和目标侧信道曲线之间的差异,原始内部相关性为各原始侧信道曲线中同一测量节点对应的各特征点的相关性,预测内部相关性为各目标侧信道曲线中同一测量节点对应的各特征点的相关性。
其中,原始编码器是指自编码器,自编码器可以是具备去噪能力的降噪自编码器,也可以是一种基于传统的算法模型,自编码器由一个编码模块和一个解码模块组成。
可以理解的是,每将一条原始侧信道曲线输入原始编码器,则原始编码器将输出一条目标侧信道曲线,本文中将输出的目标侧信道曲线称为输入原始侧信道曲线对应的目标侧信道曲线,并且,若原始侧信道曲线上存在M个特征点,则对应的目标侧信道曲线上也将存在M个特征点,且原始侧信道曲线上的这M个特征点与目标侧信道曲线上的M个特征点一一对应。
可以理解的是,本文中的同一测量节点对应的各特征点可以是指不同侧信道曲线中同一个测量节点对应的特征点,例如,预先设置3个10个测量节点,分别为节点1、节点2、节点3、……节点10,分别获取原始侧信道曲线A、原始侧信道曲线B和原始侧信道曲线C,则原始侧信道曲线A包括特征点A1、A2、A3、……A10,原始侧信道曲线B包括特征点B1、B2、B3、……B10,原始侧信道曲线C包括特征点C1、C2、C3、……C10,特征点A1、B1、C1为测量节点1在不同侧信道曲线上分别对应的特征点,将A1、B1、C1称为同一测量节点对应的各特征点。也可以是指相同次序的特征点,示例性的,假设有3条原始侧信道曲线分别表示为A、B、C,曲线A的第一个特征点a、曲线B的第一个特征点b、曲线C的第一个特征点c称为同一测量节点对应的各特征点。
原始内部相关性为各原始侧信道曲线中同一测量节点对应的各特征点之间的相关性,原始内部相关性可以用原始内部曲线来表示,也可以用由同一测量节点对应的各特征点构成的点集表示,还可以用对各原始侧信道曲线中的同一测量节点对应的各特征点进行拟合得到的相关系数表示。具体的,原始内部曲线是由多条原始侧信道曲线上的同一测量节点对应的各特征点构成的曲线。示例性的,假设有4条原始侧信道曲线分别表示为A、B、C、D,分别获取曲线A、B、C、D上的第1个特征点a、特征点b、特征点c、特征点d,则由特征点a、特征点b、特征点c、特征点d构建的曲线为一条原始内部曲线。
同理,在一种可能的实施方式中,预测内部相关性可以用预测内部曲线来表示,也可以用由同一测量节点对应的各特征点构成的点集表示,还可以用对各目标侧信道曲线中的同一测量节点对应的各特征点进行拟合得到的相关系数表示。具体的,预测内部曲线是由多条目标侧信道曲线上的同一测量节点对应的各特征点构成的曲线。
在一种可能的实施方式中,特征点可以是侧信道曲线上的所有点,也可以是对密钥恢复贡献度大于预设贡献度阈值的点,具体的,可以将侧信道曲线上的各点在一维热力图中进行表示,以各点在一维热力图中的热值的中值作为贡献度阈值,从而避免对密钥恢复度较低的点包含在损失计算中。
步骤S4,对原始内部相关损失进行正则化,得到目标内部相关损失;
为了防止模型过拟合,可以对原始内部损失正则化,正则化是通过在损失函数中引入正则项,来约束模型的复杂度。具体的,可以采用在损失函数中添加参数范数惩罚项进行正则化,也可以采用L2参数正则化的方法,即向损失函数添加一个正则项对原始内部相关损失进行正则化,还可以采用L1参数正则化的方法对原始内部相关损失进行正则化。
步骤S5,基于目标内部相关损失和外部损失对原始编码器进行训练,得到训练好的降噪编码器;
基于目标内部相关损失和外部损失对原始编码器进行训练,实际是最小化目标内部相关损失和外部损失,以使得降噪编码器输出的目标侧信道曲线与该目标侧信道曲线对应的原始侧信道曲线的误差在预设误差范围内。
对原始编码器训练的过程可以采用反向传播法,在计算总损失时,可以是赋予各损失不同的权重来计算总损失,也可以是通过对各损失进行求和作为总损失。示例性的,计算得到目标内部相关损失为,外部损失为/>,则可以根据/>计算总损失,其中,L为总损失,a为对目标内部相关损失/>赋予的权重,b为对外部损失/>赋予的权重。
在一种可能的实施方式中,外部损失包括预测误差损失和相关系数损失中的至少一个。预测误差损失是用于表示原始侧信道曲线中的特征点和目标侧信道曲线中的特征点之间的差异,相关系数损失是用于表示原始曲线相关性和预测曲线相关性之间的差异,原始曲线相关性为原始侧信道曲线上所有特征点之间的相关性,预测曲线相关性为目标侧信道曲线上所有特征点之间的相关性。
基于目标内部相关损失和外部损失对原始编码器进行训练,可以是基于预测误差损失和内部相关损失对原始编码器进行训练,也可以是基于相关系数损失和内部相关损失对原始编码器进行训练,还可以是基于预测误差损失、相关系数损失和内部相关损失对原始编码器进行训练。
可以理解的是,原始编码器与训练好的降噪编码器的模型结构完全相同,区别仅在于模型参数不同。
以基于预测误差损失、相关系数损失和目标内部相关损失对原始编码器进行训练为例,训练的过程如下:
步骤a,将各原始侧信道曲线依次输入至原始编码器中,逐层计算模型中每个神经元的输出值,并将各神经元的输出值传递至下一层,最终得到各原始侧信道曲线对应的各目标侧信道曲线;
步骤b,将各目标侧信道曲线与各原始侧信道曲线进行比较,计算预测误差损失函数、相关系数损失函数和目标内部相关损失函数;
步骤c,从模型的输出层开始到输入层,反向计算模型中所有参数的梯度;
步骤d,利用计算得到的所有模型参数的梯度,按照预设的学习率对模型的参数进行更新;
重复上述步骤a-d,直至原始编码器的收敛性高于预设收敛性阈值或重复次数达到预设次数。
基于预测误差损失、相关系数损失和目标内部相关损失对原始编码器进行训练,不仅能够降低原始侧信道曲线与目标侧信道曲线上同一测量节点对应的各特征点之间的距离,还考虑到侧信道曲线中各特征点之间的相关性以及考虑了侧信道曲线的内部相关性,进一步降低过拟合的风险。
在训练得到降噪编码器后,降噪编码器可以对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到待降噪侧信道曲线对应的待分析侧信道曲线,进而对待分析曲线进行侧信道分析。
其中,待分析设备与目标设备可以是同一设备,也可以是不同设备,本申请对此不进行限定,但待分析设备与目标设备是同类型的设备。例如,假设目标设备为可以通过CPU执行加密算法的电脑A,则待分析设备可以为电脑A,也可以为可以通过CPU执行加密算法的电脑B。
可以理解的是,待分析侧信道曲线与待降噪侧信道曲线是对应的,将待降噪侧信道曲线输入至训练好的降噪编码器,即可得到降噪后的待分析侧信道曲线。
采用本申请实施例的方法,通过将原始侧信道曲线输入至原始编码器中得到各原始侧信道曲线对应的目标侧信道曲线,然后基于原始侧信道曲线和目标侧信道曲线确定目标内部相关损失和外部损失,并基于目标内部相关损失和外部损失对原始编码器进行训练,由于内部相关损失是用于表示各原始侧信道曲线中同一测量节点对应的各特征点的相关性与各目标侧信道曲线中同一测量节点对应的各特征点的相关性之间的差异的,外部损失是用于表示原始侧信道曲线和目标侧信道曲线之间的差异,这样,在对原始编码器进行训练的过程中不仅考虑了外部损失,还考虑了侧信道曲线内部的相关性,提高了降噪编码器的准确性,同时,对内部相关损失进行正则化,降低了降噪编码器对侧信道曲线进行降噪过程中过拟合的可能性,进一步提高了侧信道分析的准确性。
下面对前述内部相关损失进行说明:
在一种可能的实施方式中,步骤S3包括:
步骤S301,针对每个测量节点,获取各原始侧信道曲线中测量节点对应的特征点作为测量节点对应的原始内部点集,并获取各目标侧信道曲线中测量节点对应的特征点作为测量节点对应的目标内部点集;
步骤S302,针对每个测量节点,计算测量节点对应的原始内部点集和目标内部点集之间的相关系数;
其中,原始内部点集和目标内部点集之间的相关系数是指原始内部点集和目标内部点集之间的相关性,计算原始内部点集和目标内部点集之间的相关系数可以采用多种方法进行计算,例如,可以计算原始内部点集和目标内部点集之间的皮尔逊相关系数,也可以计算原始内部点集和目标内部点集之间的互信息,也可以计算原始内部点集和目标内部点集之间的切比雪夫距离或曼哈顿距离等,本申请不对此进行限定。
步骤S303,基于各相关系数计算原始内部相关损失。
其中,原始内部相关损失与各相关系数负相关。
基于各相关系数计算原始内部相关损失,可以是基于所有特征点的原始内部点集和目标内部点集之间的相关系数计算原始内部相关损失,也可以是针对部分特征点,基于部分特征点的原始内部点集和目标内部点集之间的相关系数计算原始内部相关损失。
采用本申请实施例的方法,计算每个测量节点对应的原始内部点集与目标内部点集之间的相关系数,并基于每个测量节点对应的原始内部点集与目标内部点集之间的相关系数计算原始内部相关损失,使得后续可以基于内部相关损失对原始编码器进行训练,从而有效减少过拟合的问题。
基于原始内部相关损失和外部损失对原始编码器进行训练可以减少过拟合的问题,但当原始内部相关损失和外部损失过大或过小时,也会存在过拟合的风险。基于此,在一种可能的实施方式中,上述步骤S4包括:
步骤S401,基于约束上界和约束下界对原始内部相关损失归一化,得到目标内部相关损失。
归一化可以将不同尺度和范围的数据转换为统一的标准,可以通过多种方法对原始内部相关损失进行归一化,具体的,可以采用最小-最大归一化方法,也可以采用Z-score归一化方法。示例性的,当采用最大-最小归一化方法对原始内部相关损失进行归一化时,可以对原始内部损失进行约束,使得目标内部相关损失可以约束在最小值和最大值之间,进而使得目标内部相关损失不会过大。
其中,基于各相关系数计算内部相关损失的详细过程见下文。
采用本申请实施例的方法,通过约束上界和约束下界对原始内部相关损失归一化,可以将用于训练原始编码器的内部相关损失控制在合理的数值范围内,防止计算得到的目标内部相关损失过大或过小。
在一种可能的实施方式中,内部相关损失是基于以下方式计算的:
)
其中表示归一化后的内部相关损失,/>表示原始内部相关损失。
表示多条原始侧信道曲线上所有第j个特征点构成的集合,/>表示约束上界,/>表示约束下界。
可以理解的是,本申请中的第j个特征点指的是第j个测量节点对应的特征点。
在一种可能的实施方式中,上述计算目标内部相关损失的公式等效与如下公式:
;
其中,INCORR表示内部相关系数损失值;i表示第i条侧信道曲线,i的取值范围为1-N,N表示原始侧信道曲线的总数;j表示侧信道曲线上的第j个特征点,j的取值范围为1-M,M为原始侧信道曲线上的特征点的总数;表示与多条原始侧信道曲线对应的多条目标侧信道曲线上所有第j个特征点构成的集合。
采用本申请实施例的方法,通过约束上界和约束下界对原始内部相关损失归一化,可以将内部相关损失控制在合理的数值范围内,防止计算得到的内部相关损失过大或过小,有效减少过拟合的问题。
在一种可能的实施方式中,约束上界和约束下界是通过以下步骤得到的:
步骤1,将多条原始侧信道曲线分为多个原始侧信道曲线组;
将多条原始侧信道曲线分组,可以采用均分的方式,也可以采用除均分外的其他方式。具体的,原始侧信道曲线组的个数可以是2~(N-1),其中,N为原始侧线道曲线的总数。示例性的,可以采用k折验证的方法将原始侧信道曲线分为k组,具体的,是将原始侧信道曲线分为k个大小相等的组,依次对每个组进行如步骤2的计算。
步骤2,针对每个原始侧信道曲线组,计算原始侧信道曲线组对应的第一相关系数;
可以理解的是,每条原始侧信道曲线中包括多个特征点,每一条原始侧信道曲线可以认为是一个点集,由于原始侧信道曲线组中包括多条原始侧信道曲线,则可以认为原始侧信道曲线组是由多个点集构成,由于点集与点集之间存在相关系数,则多个点集之间的相关系数可以认为是由多个点集点集构成的原始侧信道曲线组对应的相关系数。具体的,可以在计算原始侧信道曲线组中各测量节点对应的特征点之间的相关系数时,计算得到多个相关系数,基于该多个相关系数计算得到一个总的相关系数,作为该原始侧信道曲线组对应的第一相关系数。
步骤3,将各第一相关系数中的最大值确定为约束上界,将各第一相关系数中的最小值确定为约束下界。
在另一种可能的实施例中,可以计算每个原始侧信道曲线组对应的第一相关系数,然后根据各第一相关系数确定出一个取值范围,然后将该取值范围的上界确定为约束上界,将取值范围的下界确定为约束下界,约束上界与取值范围的上界小于预设阈值,约束下界与该取值范围的下界小于预设阈值。
采用本申请实施例的方法,通过将原始侧信道曲线分为多组,计算每一原始侧信道曲线组的第一相关系数,然后将各第一相关系数中的最大值确定为约束上界,将各第一相关系数中的最小值确定为约束下界,可以充分利用所有原始侧信道曲线,并降低过拟合的风险。
在一种可能的实施方式中,上述步骤2包括:
步骤21,针对每个测量节点,获取测量节点对应的特征点作为测量节点对应的原始内部点集,并获取各原始侧信道曲线中与特征点相邻的下一个特征点作为测量节点对应的相邻内部点集;
步骤22,针对每个测量节点,计算原始内部点集与相邻内部点集之间的第二相关系数;
该步骤21~22与前述步骤S301~S302类似,区别仅在于前述步骤S301~S302计算的是原始内部点集与目标内部点集之间的相关系数,步骤21~22计算的是原始内部点集与相邻内部点集之间的相关系数。
在一种可能的实施方式中,针对每个测量节点计算得到该测量节点对应的特征点与相邻特征点之间的第二相关系数可以表示为该测量节点IDC的值。示例性的,若预先设置测量节点为1、2、3,存在原始侧信道曲线a和原始侧信道曲线b,则获取原始侧信道曲线a和原始侧信道曲线b上测量节点1对应的特征点a1和b1,得到特征点集A,获取原始侧信道曲线a和原始侧信道曲线b上测量节点2对应的特征点a2和b2,得到特征点集B,获取原始侧信道曲线a和原始侧信道曲线b上测量节点3对应的特征点a3和b3,得到特征点集C,然后计算特征点集A和特征点集B的第二相关系数,作为测量节点1的IDC的值,计算特征点集B和特征点集C的第二相关系数,作为测量节点2的IDC的值。
步骤23,基于各第二相关系数计算第一相关系数,其中,第一相关系数与第二相关系数正相关。
基于各第二相关系数计算第一相关系数,可以是基于所有的第二相关系数计算第一相关系数,也可以是基于部分第一相关系数计算第一相关系数。具体的,可以是对所有第二相关系数求均值的方式得到第一相关系数,也可以是对部分第二相关系数求和的方式得到第一相关系数。示例性的,预先设置测量节点为4个,则原始侧信道曲线上存在4个特征点,对应可得到4个特征点集,根据上述步骤22计算得到4个特征点集之间的相关系数为:0.7、0.5、0.8,则可以通过对所有第二相关系数求均值的方式计算得到第一相关系数为:(0.7+0.5+0.8)/3=0.6。
在一种可能的实施方式中,基于各第二相关系数计算第一相关系数,可以是计算出原始侧信道曲线上每一个测量节点的IDC的值后,基于每一个测量节点的IDC的值计算出该原始侧信道曲线组的全局IDC的值。示例性的,可以采用如下公式计算全局IDC的值:
;
其中,表示全局IDC的值,/>表示各原始侧信道曲线上第j个特征点与第j-1个特征点之间的第二相关系数。
在一种可能的实施方式中,可以基于全局IDC的值确定上述步骤2032和上述步骤3中的约束上界、约束下界。具体的,可以是计算出每一组原始侧信道曲线组的全局IDC的值后,基于每一组原始侧信道曲线的全局IDC确定约束上界和约束下界。示例性的,可以采用如下公式确定约束上界和约束下界:
;
其中,表示第1组原始侧信道曲线组的全局IDC的值,/>表示第2组原始侧信道曲线组的全局IDC的值,/>表示第k组原始侧信道曲线组的全局IDC的值。
采用本申请实施例的方法,计算每个测量节点对应的原始内部点集和相邻内部点集的第二相关系数,然后基于各第二相关系数计算得到第一相关系数,便于基于第一相关系数确定约束上界和约束下界,防止计算得到的损失过大或过小,进而降低过拟合的风险。
在一种可能的实施方式中,相关系数损失是基于以下方式计算的:
;
其中,CORR表示相关系数损失函数值,N表示原始侧信道曲线的总数,i表示第i条原始侧信道曲线,表示第i条原始侧信道曲线上所有特征点构成的集合,/>表示第i条目标侧信道曲线上的所有特征点构成的集合,第i条原始侧信道曲线和第i条目标侧信道曲线是对应的。
采用本申请实施例的方法,由于相关系数损失表示原始侧信道曲线上所有特征点之间的相关性与目标侧信道曲线上所有特征点之间的相关性的差异,通过基于相关系数损失和目标内部相关损失对原始编码器进行训练,使得训练好的降噪编码器在对原始侧信道曲线进行降噪得到目标侧信道曲线的过程中,不仅考虑了侧信道曲线中各特征点之间的相关性,还能使得目标侧信道曲线的内部相关性也保持在一定范围内,从而降低过拟合的风险。
在一种可能的实施方式中,可以使用多种损失作为计算预测误差损失,例如均方误差损失MSE(Mean Square Error)、平均绝对误差损失MAE(Mean Absolute Error)等。示例性的,可以计算原始侧信道曲线上的特征点与目标侧信道曲线的特征点之间的欧氏距离,基于以下公式计算出均方误差损失作为预测误差损失:
;
其中,MSE表示均方误差损失值,N表示原始侧信道曲线的总数,i表示第i条原始侧信道曲线,表示第i条原始侧信道曲线上所有样本点构成的集合,/>表示第i条目标侧信道曲线上的所有特征点构成的集合。
采用本申请实施例的方法,由于预测误差损失是用于表示原始侧信道曲线中的特征点和目标侧信道曲线中的特征点之间的差异,基于预测误差损失和目标内部相关损失对原始编码器进行训练,在降低原始侧信道曲线与目标侧信道曲线上同一测量节点对应的各特征点之间的距离的同时使得目标侧信道曲线的内部相关性与原始侧信道曲线的内部相关性保持一致,从而降低过拟合的风险。
在一种可能的实施例中,如图2所示,图2为本申请实施例提供的一种基于多损耗正则化降噪自动编码器的侧信道分析方法的示例图。图2中的原始编码器也可以称为共享DAE,当计算原始侧信道曲线上的特征点与目标侧信道曲线的特征点之间的欧氏距离,并计算出均方误差作为预测误差损失时,可以根据均方误差损失、相关系数损失和正则化后的内部相关损失对原始编码器进行训练,基于均方误差损失、相关系数损失和正则化后的内部相关损失进行训练的过程则称为多损失正则化。
采用本申请实施例的方法,基于预测误差损失、相关系数损失和目标内部相关损失对原始编码器进行训练,不仅能够降低原始侧信道曲线与目标侧信道曲线上同一测量节点对应的各特征点之间的距离,还考虑到侧信道曲线中各特征点之间的相关性以及考虑了侧信道曲线的内部相关性,进一步降低过拟合的风险。
在一种可能的实施方式中,原始编码器包括编码模块和解码模块;其中,将原始侧信道曲线输入至原始编码器中,得到原始侧信道曲线对应的目标侧信道曲线,包括:
将原始侧信道曲线输入至编码模块中,得到编码特征信息;
将编码特征信息输入至解码模块中,得到原始侧信道曲线对应的目标侧信道曲线。
采用本申请实施例的方法,将原始侧信道曲线输入到编码模块中,获得编码特征信息,然后解码模块对编码特征信息进行解码即可得到降噪后的目标侧信道曲线,便于根据原始侧信道曲线和目标侧信道曲线对原始编码器进行训练。
为了更清楚的说明本申请提供的基于多损耗正则化降噪自动编码器的侧信道分析方法,参见图3,图3为本申请提供的一种基于多损耗正则化降噪自动编码器的侧信道分析方法的示例图。在图3中,编码模块和解码模块构成了原始编码器。在训练得到降噪编码器的过程中,首先将噪声迹线(即上述原始侧信道曲线)输入编码模块中获得特征编码信息,然后将特征编码信息发送至解码模块中进行解码得到低噪声迹线(即上述目标侧信道曲线),然后基于原始侧信道曲线和目标侧信道曲线,计算均方误差损失(MSE损失)、相关系数损失(CORR损失)和内部相关损失(INCORR损失),并基于MSE损失、CORR损失和INCORR损失对原始编码器的模型参数进行调整,进而得到训练好的降噪编码器。然后将待分析原始曲线输入至训练好的降噪编码器中,即可输出低噪声迹线,最后基于低噪声迹线进行侧信道分析。
第二方面,参见图4,本申请实施例提供了一种基于高效降噪自动编码器的侧信道分析方法,方法包括:
步骤S41,分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条原始侧信道曲线中包括与各测量节点对应的各特征点,特征点用于表示在对应的测量节点测量得到的侧信道数据;
步骤S42,针对各原始侧信道曲线,将原始侧信道曲线输入至原始编码器中,得到原始侧信道曲线对应的目标侧信道曲线;
步骤S43,确定原始内部相关损失,其中,原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,原始内部相关性为各原始侧信道曲线中同一测量节点对应的各特征点的相关性,预测内部相关性为各目标侧信道曲线中同一测量节点对应的各特征点的相关性;
步骤S44,基于原始内部相关损失对原始编码器进行训练,得到训练好的降噪编码器,以通过降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到待降噪侧信道曲线对应的待分析侧信道曲线,并对待分析侧信道曲线进行分析;
其中,步骤S41~S42与前述步骤S1~S2相同,在此不再赘述;步骤S43与前述步骤S3相似,区别仅在于步骤S43中只需确定原始内部相关损失,而在步骤S3中还需确定外部损失,可以理解的是,步骤S43中的原始内部损失与步骤S3中的原始内部损失是相同的。
步骤S44与前述步骤S5相似,区别仅在于在步骤S44中是基于原始内部相关损失对原始编码器进行训练,而在步骤S5中是基于目标内部相关损失和外部损失对原始编码器进行训练。
其中,步骤S44中基于原始内部相关损失对原始编码器进行训练的过程与步骤S5中基于目标内部相关损失和外部损失对原始编码器进行训练的过程相似。
在一种可能的实施方式中,基于原始内部相关损失对原始编码器进行训练的过程如下:
步骤A,将各原始侧信道曲线依次输入至原始编码器中,逐层计算模型中每个神经元的输出值,并将各神经元的输出值传递至下一层,最终得到各原始侧信道曲线对应的各目标侧信道曲线;
步骤B,将各目标侧信道曲线与各原始侧信道曲线进行比较,计算内部相关损失函数;
步骤C,从模型的输出层开始到输入层,反向计算模型中所有参数的梯度;
步骤D,利用计算得到的所有模型参数的梯度,按照预设的学习率对模型的参数进行更新;
重复上述步骤A-D,直至原始编码器的收敛性高于预设收敛性阈值或重复次数达到预设次数。
采用本申请实施例的方法,通过将原始侧信道曲线输入至原始编码器中得到各原始侧信道曲线对应的目标侧信道曲线,然后基于原始侧信道曲线和目标侧信道曲线确定原始内部相关损失,并基于原始内部相关损失对原始编码器进行训练,由于原始内部相关损失是用于表示各原始侧信道曲线中同一测量节点对应的各特征点的相关性与各目标侧信道曲线中同一测量节点对应的各特征点的相关性之间的差异的,这样,在对原始编码器进行训练的过程中考虑了侧信道曲线内部的相关性,减少了降噪编码器对待降噪侧信道曲线进行降噪过程中过拟合的问题,提高了侧信道分析的准确性。
在一种可能的实施方式中,确定原始内部相关损失的步骤与前述步骤S301~S303相同,在此不再赘述。
为了防止模型过拟合,在一种可能的实施方式中,可以对原始内部相关损失进行正则化,对原始内部损失正则化的过程与前述步骤S4相同,在此不再赘述。
在一种可能的实施方式中,可以采用原始内部相关损失外的其他损失对原始编码器进行训练,示例性的,可以采用相关系数损失对原始编码器进行训练。
其中,采用相关系数损失对原始编码器进行训练的过程与前述步骤S5相似,区别仅在于步骤S5中是基于目标内部相关损失和外部损失对原始编码器进行训练。
第三方面,本申请实施例提供了一种基于多损耗正则化降噪自动编码器的侧信道分析装置,参见图5,该装置包括:
第一曲线获取模块501,用于分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条原始侧信道曲线中包括与各测量节点对应的各特征点,特征点用于表示在对应的测量节点测量得到的侧信道数据;
第一曲线输入模块502,用于针对各原始侧信道曲线,将原始侧信道曲线输入至原始编码器中,得到原始侧信道曲线对应的目标侧信道曲线;
第一损失确定模块503,用于确定原始内部相关损失和外部损失,其中,原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,外部损失是用于表示原始侧信道曲线和目标侧信道曲线之间的差异,原始内部相关性为各原始侧信道曲线中同一测量节点对应的各特征点的相关性,预测内部相关性为各目标侧信道曲线中同一测量节点对应的各特征点的相关性;
损失正则化模块504,用于对原始内部相关损失进行正则化,得到目标内部相关损失;
第一编码器训练模块505,用于基于目标内部相关损失和外部损失对原始编码器进行训练,得到训练好的降噪编码器,以通过降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到待降噪侧信道曲线对应的待分析侧信道曲线,并对待分析侧信道曲线进行分析。
采用本申请实施例的方法,通过将原始侧信道曲线输入至原始编码器中得到各原始侧信道曲线对应的目标侧信道曲线,然后基于原始侧信道曲线和目标侧信道曲线确定目标内部相关损失和外部损失,并基于目标内部相关损失和外部损失对原始编码器进行训练,由于内部相关损失是用于表示各原始侧信道曲线中同一测量节点对应的各特征点的相关性与各目标侧信道曲线中同一测量节点对应的各特征点的相关性之间的差异的,外部损失是用于表示原始侧信道曲线和目标侧信道曲线之间的差异,这样,在对原始编码器进行训练的过程中不仅考虑了外部损失,还考虑了侧信道曲线内部的相关性,提高了降噪编码器的准确性,同时,对内部相关损失进行正则化,降低了降噪编码器对侧信道曲线进行降噪过程中过拟合的可能性,提高了侧信道分析的准确性。
在一种可能的实施方式中,第一损失确定模块503包括:
特征点获取子模块,用于针对每个测量节点,获取各原始侧信道曲线中测量节点对应的特征点作为测量节点对应的原始内部点集,并获取各目标侧信道曲线中测量节点对应的特征点作为测量节点对应的目标内部点集;
相关系数计算子模块,用于针对每个测量节点,计算测量节点对应的原始内部点集和目标内部点集之间的相关系数;
损失计算子模块,用于基于各相关系数计算原始内部相关损失,其中,原始内部相关损失与各相关系数负相关;
在一种可能的实施方式中,损失正则化模块504,具体用于:
基于约束上界和约束下界对原始内部相关损失归一化,得到目标内部相关损失;
内部相关损失设定有约束上界和约束下界,内部相关损失是基于以下方式计算的:
;
其中,表示目标内部相关损失,/>表示原始内部相关损失;/>表示多条原始侧信道曲线上所有第j个特征点构成的集合,/>表示约束上界,/>表示约束下界;
在一种可能的实施方式中,约束上界和约束下界是通过以下步骤得到的:
将多条原始侧信道曲线分为多个原始侧信道曲线组;
针对每个原始侧信道曲线组,计算原始侧信道曲线组对应的第一相关系数;
将各第一相关系数中的最大值确定为约束上界,将各第一相关系数中的最小值确定为约束下界;
在一种可能的实施方式中,针对每个原始侧信道曲线组,计算原始侧信道曲线组对应的第一相关系数,包括:
针对每个测量节点,获取测量节点对应的特征点作为测量节点对应的原始内部点集,并获取各原始侧信道曲线中与特征点相邻的下一个特征点作为测量节点对应的相邻内部点集;
针对每个测量节点,计算原始内部点集与相邻内部点集之间的第二相关系数;
基于各第二相关系数计算第一相关系数,其中,第一相关系数与第二相关系数正相关;
在一种可能的实施方式中,相关系数损失是基于以下方式计算的:
;
其中,CORR表示相关系数损失函数值,N表示原始侧信道曲线的总数,i表示第i条原始侧信道曲线,表示第i条原始侧信道曲线上所有特征点构成的集合,/>表示第i条目标侧信道曲线上的所有特征点构成的集合;
在一种可能的实施方式中,原始编码器包括编码模块和解码模块;其中,将原始侧信道曲线输入至原始编码器中,得到原始侧信道曲线对应的目标侧信道曲线,包括:
将原始侧信道曲线输入至编码模块中,得到编码特征信息;
将编码特征信息输入至解码模块中,得到原始侧信道曲线对应的目标侧信道曲线。
第四方面,本申请实施例提供了一种基于高效降噪自动编码器的侧信道分析装置,参见图6,该装置包括:
第二曲线获取模块601,用于分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条原始侧信道曲线中包括与各测量节点对应的各特征点,特征点用于表示在对应的测量节点测量得到的侧信道数据;
其中,第二曲线获取模块601执行的步骤与前述步骤S1相同,在此不再赘述。
第二曲线输入模块602,用于针对各原始侧信道曲线,将原始侧信道曲线输入至原始编码器中,得到原始侧信道曲线对应的目标侧信道曲线;
其中,第二曲线输入模块602执行的步骤与前述步骤S2相同,在此不再赘述。
第二损失确定模块603,用于确定原始内部相关损失,其中,原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,原始内部相关性为各原始侧信道曲线中同一测量节点对应的各特征点的相关性,预测内部相关性为各目标侧信道曲线中同一测量节点对应的各特征点的相关性;
其中,第二损失确定模块603执行的步骤与前述步骤S3相似,区别仅在于第二损失确定模块603只需确定原始内部相关损失,而在步骤S3中还需确定外部损失,可以理解的是,此处的原始内部损失与步骤S3中的原始内部损失是相同的。
其中,确定原始内部相关损失的步骤与前述步骤S301~S303相同,在此不再赘述。
第二编码器训练模块604,用于基于原始内部相关损失对原始编码器进行训练,得到训练好的降噪编码器,以通过降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到待降噪侧信道曲线对应的待分析侧信道曲线,并对待分析侧信道曲线进行分析。
其中,第二编码器训练模块604执行的步骤与前述步骤S5相似,区别仅在于第二编码器训练模块604是基于原始内部相关损失对原始编码器进行训练,而在步骤S5中是基于目标内部相关损失和外部损失对原始编码器进行训练。
其中,第二编码器训练模块604基于原始内部相关损失对原始编码器进行训练的过程与步骤S5中基于目标内部相关损失和外部损失对原始编码器进行训练的过程相似,基于原始内部相关损失对原始编码器进行训练的过程详见前述步骤A~D,在此不再赘述。
第五方面,参见图7,本申请实施例提供了一种电子设备,包括:
存储器701,用于存放计算机程序;
处理器702,用于执行存储器701上所存放的程序时,实现本申请中任一的基于多损耗正则化降噪自动编码器的侧信道分析方法或基于高效降噪自动编码器的侧信道分析方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现本申请中任一的基于多损耗正则化降噪自动编码器的侧信道分析方法或基于高效降噪自动编码器的侧信道分析方法。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一基于多损耗正则化降噪自动编码器的侧信道分析方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一基于多损耗正则化降噪自动编码器的侧信道分析方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者固态硬盘(Solid StateDisk,SSD)等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (14)
1.一种基于多损耗正则化降噪自动编码器的侧信道分析方法,其特征在于,所述方法包括:
分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量所述目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条所述原始侧信道曲线中包括与各所述测量节点对应的各特征点,所述特征点用于表示在对应的测量节点测量得到的侧信道数据;
针对各所述原始侧信道曲线,将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线;
确定原始内部相关损失和外部损失,其中,所述原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,所述外部损失是用于表示原始侧信道曲线和所述目标侧信道曲线之间的差异,所述原始内部相关性为各所述原始侧信道曲线中同一测量节点对应的各特征点的相关性,所述预测内部相关性为各所述目标侧信道曲线中同一测量节点对应的各特征点的相关性;
对所述原始内部相关损失进行正则化,得到目标内部相关损失;
基于所述目标内部相关损失和所述外部损失对所述原始编码器进行训练,得到训练好的降噪编码器,以通过所述降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到所述待降噪侧信道曲线对应的待分析侧信道曲线,并对所述待分析侧信道曲线进行分析。
2.根据权利要求1所述的方法,其特征在于,所述确定原始内部相关损失的步骤包括:
针对每个测量节点,获取各所述原始侧信道曲线中所述测量节点对应的所述特征点作为所述测量节点对应的原始内部点集,并获取各所述目标侧信道曲线中所述测量节点对应的所述特征点作为所述测量节点对应的目标内部点集;
针对每个测量节点,计算所述测量节点对应的所述原始内部点集和所述目标内部点集之间的相关系数;
基于各所述相关系数计算所述原始内部相关损失,其中,所述原始内部相关损失与各所述相关系数负相关。
3.根据权利要求1所述的方法,其特征在于,所述对所述原始内部相关损失进行正则化,得到目标内部相关损失,包括:
基于约束上界和约束下界对所述原始内部相关损失归一化,得到所述目标内部相关损失。
4.根据权利要求3所述的方法,其特征在于,所述目标内部相关损失是基于以下方式计算的:
)
其中,表示所述目标内部相关损失,/>表示所述原始内部相关损失;/>表示所述多条原始侧信道曲线上所有第j个特征点构成的集合,/>表示约束上界,/>表示约束下界。
5.根据权利要求3所述的方法,其特征在于,所述约束上界和所述约束下界是通过以下步骤得到的:
将所述多条原始侧信道曲线分为多个原始侧信道曲线组;
针对每个所述原始侧信道曲线组,计算所述原始侧信道曲线组对应的第一相关系数;
将各所述第一相关系数中的最大值确定为所述约束上界,将各所述第一相关系数中的最小值确定为所述约束下界。
6.根据权利要求5所述的方法,其特征在于,所述针对每个所述原始侧信道曲线组,计算所述原始侧信道曲线组对应的第一相关系数,包括:
针对每个测量节点,获取所述测量节点对应的特征点作为所述测量节点对应的原始内部点集,并获取各所述原始侧信道曲线中与所述特征点相邻的下一个特征点作为所述测量节点对应的相邻内部点集;
针对每个测量节点,计算所述原始内部点集与所述相邻内部点集之间的第二相关系数;
基于各第二相关系数计算所述第一相关系数,其中,所述第一相关系数与所述第二相关系数正相关。
7.根据权利要求1所述的方法,其特征在于,所述外部损失包括预测误差损失和/或相关系数损失;
所述预测误差损失是用于表示所述原始侧信道曲线中的特征点和所述目标侧信道曲线中的特征点之间的差异,所述相关系数损失是用于表示原始曲线相关性和预测曲线相关性之间的差异,所述原始曲线相关性为所述原始侧信道曲线上所有特征点之间的相关性,所述预测曲线相关性为所述目标侧信道曲线上所有特征点之间的相关性。
8.根据权利要求7所述的方法,其特征在于,所述相关系数损失是基于以下方式计算的:
;
其中,CORR表示相关系数损失函数值,N表示所述原始侧信道曲线的总数,i表示第i条原始侧信道曲线,表示第i条原始侧信道曲线上所有特征点构成的集合,/>表示第i条目标侧信道曲线上的所有特征点构成的集合。
9.根据权利要求1所述的方法,其特征在于,所述原始编码器包括编码模块和解码模块;其中,所述将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线,包括:
将所述原始侧信道曲线输入至所述编码模块中,得到编码特征信息;
将所述编码特征信息输入至所述解码模块中,得到所述原始侧信道曲线对应的目标侧信道曲线。
10.一种基于高效降噪自动编码器的侧信道分析方法,其特征在于,所述方法包括:
分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量所述目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条所述原始侧信道曲线中包括与各所述测量节点对应的各特征点,所述特征点用于表示在对应的测量节点测量得到的侧信道数据;
针对各所述原始侧信道曲线,将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线;
确定原始内部相关损失,其中,所述原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,所述原始内部相关性为各所述原始侧信道曲线中同一测量节点对应的各特征点的相关性,所述预测内部相关性为各所述目标侧信道曲线中同一测量节点对应的各特征点的相关性;
基于所述原始内部相关损失对所述原始编码器进行训练,得到训练好的降噪编码器,以通过所述降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到所述待降噪侧信道曲线对应的待分析侧信道曲线,并对所述待分析侧信道曲线进行分析。
11.一种基于多损耗正则化降噪自动编码器的侧信道分析装置,其特征在于,所述装置包括:
第一曲线获取模块,用于分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量所述目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条所述原始侧信道曲线中包括与各所述测量节点对应的各特征点,所述特征点用于表示在对应的测量节点测量得到的侧信道数据;
第一曲线输入模块,用于针对各所述原始侧信道曲线,将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线;
第一损失确定模块,用于确定原始内部相关损失和外部损失,其中,所述原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,所述外部损失是用于表示原始侧信道曲线和所述目标侧信道曲线之间的差异,所述原始内部相关性为各所述原始侧信道曲线中同一测量节点对应的各特征点的相关性,所述预测内部相关性为各所述目标侧信道曲线中同一测量节点对应的各特征点的相关性;
损失正则化模块,用于对所述原始内部相关损失进行正则化,得到目标内部相关损失;
第一编码器训练模块,用于基于所述目标内部相关损失和所述外部损失对所述原始编码器进行训练,得到训练好的降噪编码器,以通过所述降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到所述待降噪侧信道曲线对应的待分析侧信道曲线,并对所述待分析侧信道曲线进行分析。
12.根据权利要求11所述的装置,其特征在于,所述第一损失确定模块包括:
特征点获取子模块,用于针对每个测量节点,获取各所述原始侧信道曲线中所述测量节点对应的所述特征点作为所述测量节点对应的原始内部点集,并获取各所述目标侧信道曲线中所述测量节点对应的所述特征点作为所述测量节点对应的目标内部点集;
相关系数计算子模块,用于针对每个测量节点,计算所述测量节点对应的所述原始内部点集和所述目标内部点集之间的相关系数;
损失计算子模块,用于基于各所述相关系数计算所述原始内部相关损失,其中,所述原始内部相关损失与各所述相关系数负相关;
所述损失正则化模块,具体用于:
基于约束上界和约束下界对所述原始内部相关损失归一化,得到所述目标内部相关损失;
所述目标内部相关损失是基于以下方式计算的:
)
其中,表示所述目标内部相关损失,/>表示所述原始内部相关损失;/>表示所述多条原始侧信道曲线上所有第j个特征点构成的集合,/>表示约束上界,/>表示约束下界;
所述约束上界和所述约束下界是通过以下步骤得到的:
将所述多条原始侧信道曲线分为多个原始侧信道曲线组;
针对每个所述原始侧信道曲线组,计算所述原始侧信道曲线组对应的第一相关系数;
将各所述第一相关系数中的最大值确定为所述约束上界,将各所述第一相关系数中的最小值确定为所述约束下界;
所述针对每个所述原始侧信道曲线组,计算所述原始侧信道曲线组对应的第一相关系数,包括:
针对每个测量节点,获取所述测量节点对应的特征点作为所述测量节点对应的原始内部点集,并获取各所述原始侧信道曲线中与所述特征点相邻的下一个特征点作为所述测量节点对应的相邻内部点集;
针对每个测量节点,计算所述原始内部点集与所述相邻内部点集之间的第二相关系数;
基于各第二相关系数计算所述第一相关系数,其中,所述第一相关系数与所述第二相关系数正相关;
所述外部损失包括预测误差损失和/或相关系数损失;
所述预测误差损失是用于表示所述原始侧信道曲线中的特征点和所述目标侧信道曲线中的特征点之间的差异,所述相关系数损失是用于表示原始曲线相关性和预测曲线相关性之间的差异,所述原始曲线相关性为所述原始侧信道曲线上所有特征点之间的相关性,所述预测曲线相关性为所述目标侧信道曲线上所有特征点之间的相关性;
所述相关系数损失是基于以下方式计算的:
;
其中,CORR表示相关系数损失函数值,N表示所述原始侧信道曲线的总数,i表示第i条原始侧信道曲线,表示第i条原始侧信道曲线上所有特征点构成的集合,/>表示第i条目标侧信道曲线上的所有特征点构成的集合;
所述原始编码器包括编码模块和解码模块;其中,所述将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线,包括:
将所述原始侧信道曲线输入至所述编码模块中,得到编码特征信息;
将所述编码特征信息输入至所述解码模块中,得到所述原始侧信道曲线对应的目标侧信道曲线。
13.一种基于高效降噪自动编码器的侧信道分析装置,其特征在于,所述装置包括:
第二曲线获取模块,用于分别在目标设备多次执行目标操作的过程中,在多个测量节点分别测量所述目标设备产生的侧信道数据,得到多条原始侧信道曲线,其中,每条所述原始侧信道曲线中包括与各所述测量节点对应的各特征点,所述特征点用于表示在对应的测量节点测量得到的侧信道数据;
第二曲线输入模块,用于针对各所述原始侧信道曲线,将所述原始侧信道曲线输入至原始编码器中,得到所述原始侧信道曲线对应的目标侧信道曲线;
第二损失确定模块,用于确定原始内部相关损失,其中,所述原始内部相关损失是用于表示原始内部相关性和预测内部相关性之间的差异,所述原始内部相关性为各所述原始侧信道曲线中同一测量节点对应的各特征点的相关性,所述预测内部相关性为各所述目标侧信道曲线中同一测量节点对应的各特征点的相关性;
第二编码器训练模块,用于基于所述原始内部相关损失对所述原始编码器进行训练,得到训练好的降噪编码器,以通过所述降噪编码器对待分析设备的侧信道数据进行采样得到的待降噪侧信道曲线进行降噪,得到所述待降噪侧信道曲线对应的待分析侧信道曲线,并对所述待分析侧信道曲线进行分析。
14.一种电子设备,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-9或10任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293841.1A CN117040722B (zh) | 2023-10-08 | 2023-10-08 | 一种基于多损耗正则化降噪自动编码器的侧信道分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293841.1A CN117040722B (zh) | 2023-10-08 | 2023-10-08 | 一种基于多损耗正则化降噪自动编码器的侧信道分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117040722A true CN117040722A (zh) | 2023-11-10 |
CN117040722B CN117040722B (zh) | 2024-02-02 |
Family
ID=88645240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311293841.1A Active CN117040722B (zh) | 2023-10-08 | 2023-10-08 | 一种基于多损耗正则化降噪自动编码器的侧信道分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117040722B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100322298A1 (en) * | 2008-02-06 | 2010-12-23 | Nec Corporation | Device for evaluating side-channel attack resistance, method for evaluating side-channel attack resistance, and program for evaluating side-channel attack |
US20140235192A1 (en) * | 2011-09-29 | 2014-08-21 | Dolby International Ab | Prediction-based fm stereo radio noise reduction |
US20190130096A1 (en) * | 2018-12-27 | 2019-05-02 | Li Chen | Side-channel attack detection using hardware performance counters |
CN111327413A (zh) * | 2018-12-17 | 2020-06-23 | 航天信息股份有限公司 | 一种侧信道数据处理方法及设备 |
EP3672106A1 (en) * | 2018-12-20 | 2020-06-24 | Acacia Communications Incorporated | Side channel communication for an optical coherent transceiver |
CN111680787A (zh) * | 2020-06-12 | 2020-09-18 | 中国人民解放军战略支援部队信息工程大学 | 一种侧信道曲线的处理方法、装置及电子设备 |
CN111931176A (zh) * | 2020-09-29 | 2020-11-13 | 网御安全技术(深圳)有限公司 | 防御侧信道攻击的方法、装置及可读存储介质 |
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 |
US20210026994A1 (en) * | 2019-07-23 | 2021-01-28 | University Of Florida Research Foundation, Inc. | Cad framework for power side-channel vulnerability assessment |
CN112966611A (zh) * | 2021-03-09 | 2021-06-15 | 中国科学技术大学 | 一种dwt注意机制的能量迹噪声自适应方法 |
CN113609535A (zh) * | 2021-08-16 | 2021-11-05 | 中国信息安全测评中心 | 一种侧信道曲线特征提取方法及装置 |
JP2022015750A (ja) * | 2020-07-09 | 2022-01-21 | 学校法人立命館 | アドバーサリアル攻撃に対する防御方法、データ認識装置、センサシステム、及びセンサ |
US20220026531A1 (en) * | 2015-07-17 | 2022-01-27 | Chenshu Wu | Method, apparatus, and system for sound sensing based on wireless signals |
CN115168843A (zh) * | 2022-05-29 | 2022-10-11 | 北京理工大学 | 一种基于自编码器的硬件木马侧信道检测方法 |
CN116260565A (zh) * | 2023-02-21 | 2023-06-13 | 天津大学 | 芯片电磁侧信道分析方法、系统及存储介质 |
-
2023
- 2023-10-08 CN CN202311293841.1A patent/CN117040722B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100322298A1 (en) * | 2008-02-06 | 2010-12-23 | Nec Corporation | Device for evaluating side-channel attack resistance, method for evaluating side-channel attack resistance, and program for evaluating side-channel attack |
US20140235192A1 (en) * | 2011-09-29 | 2014-08-21 | Dolby International Ab | Prediction-based fm stereo radio noise reduction |
US20220026531A1 (en) * | 2015-07-17 | 2022-01-27 | Chenshu Wu | Method, apparatus, and system for sound sensing based on wireless signals |
CN111327413A (zh) * | 2018-12-17 | 2020-06-23 | 航天信息股份有限公司 | 一种侧信道数据处理方法及设备 |
EP3672106A1 (en) * | 2018-12-20 | 2020-06-24 | Acacia Communications Incorporated | Side channel communication for an optical coherent transceiver |
US20190130096A1 (en) * | 2018-12-27 | 2019-05-02 | Li Chen | Side-channel attack detection using hardware performance counters |
US20210026994A1 (en) * | 2019-07-23 | 2021-01-28 | University Of Florida Research Foundation, Inc. | Cad framework for power side-channel vulnerability assessment |
CN111680787A (zh) * | 2020-06-12 | 2020-09-18 | 中国人民解放军战略支援部队信息工程大学 | 一种侧信道曲线的处理方法、装置及电子设备 |
JP2022015750A (ja) * | 2020-07-09 | 2022-01-21 | 学校法人立命館 | アドバーサリアル攻撃に対する防御方法、データ認識装置、センサシステム、及びセンサ |
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 |
CN111931176A (zh) * | 2020-09-29 | 2020-11-13 | 网御安全技术(深圳)有限公司 | 防御侧信道攻击的方法、装置及可读存储介质 |
CN112966611A (zh) * | 2021-03-09 | 2021-06-15 | 中国科学技术大学 | 一种dwt注意机制的能量迹噪声自适应方法 |
CN113609535A (zh) * | 2021-08-16 | 2021-11-05 | 中国信息安全测评中心 | 一种侧信道曲线特征提取方法及装置 |
CN115168843A (zh) * | 2022-05-29 | 2022-10-11 | 北京理工大学 | 一种基于自编码器的硬件木马侧信道检测方法 |
CN116260565A (zh) * | 2023-02-21 | 2023-06-13 | 天津大学 | 芯片电磁侧信道分析方法、系统及存储介质 |
Non-Patent Citations (5)
Title |
---|
SHRAGA I. BROSS: "Secure Cooperative Source-Coding With Side Information at the Eavesdropper", 《IEEE TRANSACTIONS ON INFORMATION THEORY》 * |
刘威;蒋烈辉;常瑞;: "强物理不可克隆函数的侧信道混合攻击", 电子学报, no. 12 * |
姚剑波;张涛;: "层次化的侧信道攻击风险量化评估模型", 计算机工程与应用, no. 26 * |
杜磊;李增局;彭乾;史汝辉;张策;: "金融IC卡规范脱机动态数据认证的漏洞研究", 计算机工程与科学, no. 10 * |
赵波;倪明涛;石源;樊佩茹;: "嵌入式系统安全综述", 武汉大学学报(理学版), no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN117040722B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin | Asymptotically efficient parameter estimation using quantized output observations | |
Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
Sundaresan et al. | Copula-based fusion of correlated decisions | |
Ramezanpour et al. | SCAUL: Power side-channel analysis with unsupervised learning | |
KR20180073649A (ko) | 에코 지연을 추적하는 방법 및 장치 | |
CN116760742B (zh) | 基于多阶段混合时空融合的网络流量异常检测方法及系统 | |
CN111797122A (zh) | 高维重现概念漂移流数据的变化趋势预测方法及装置 | |
Xiao et al. | Anomaly-tolerant network traffic estimation via noise-immune temporal matrix completion model | |
CN113051628B (zh) | 基于残差学习的芯片侧信道攻击降噪预处理方法 | |
CN105025515A (zh) | 一种基于gm模型的无线传感器网络流量异常检测方法 | |
CN116992986A (zh) | 一种基于时间序列分解网络流量预测系统 | |
Ding et al. | Efficient BiSRU combined with feature dimensionality reduction for abnormal traffic detection | |
CN116187563A (zh) | 一种融合改进变分模态分解的海表温度时空智能预测方法 | |
CN117040722B (zh) | 一种基于多损耗正则化降噪自动编码器的侧信道分析方法 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
Dang et al. | Trend-adaptive multi-scale PCA for data fault detection in IoT networks | |
CN109217844B (zh) | 基于预训练随机傅里叶特征核lms的超参数优化方法 | |
Amblard et al. | Causal conditioning and instantaneous coupling in causality graphs | |
CN114745187A (zh) | 一种基于pop流量矩阵的内部网络异常检测方法及系统 | |
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 | |
CN114866172A (zh) | 基于倒残差深度神经网络的干扰识别方法和装置 | |
CN113962591A (zh) | 一种基于深度学习的工业物联网数据空间访问风险评估方法 | |
CN113642029A (zh) | 一种度量数据样本与模型决策边界相关性的方法及系统 | |
CN107122764A (zh) | 基于KpN模型的海上舰船目标检测方法 | |
CN112422212A (zh) | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
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 |