李想 杨宁 刘伟锋 陈艾东 张彦龙 王硕 周婧
摘 要: 在数字化浪潮推动下,5G 和6G 技术的快速发展正引领移动通信系统步入新阶段.先进的硬件设备和加密芯片为不断增长的数据处理需求和日益关注的安全保障提供了强有力的支持. 在这一背景下,搭载现代密码技术的各类硬件设备逐渐演变为不可或缺的生活基石. 这些设备已经具备抵御传统密码分析的能力. 近年来,学术界的研究重点之一是对设备在实际运行过程中产生的物理泄漏进行分析. 这一领域被称为侧信道分析(Side-ChannelAnalysis,SCA). 深度学习驱动的侧信道分析已被广泛认可为一种有效的方法,针对当前神经网络模型的功耗曲线数量需求大、鲁棒性差和收敛速度慢等问题,本文提出一种基于CNNbest的多尺度特征融合侧信道分析方法. 首先,重构特征提取网络结构,以解决深层特征向量容易过度解释噪声细节的问题和模型过拟合问题. 而后,使用滤波器阵列执行离散小波变换(DiscreteWavelet Transform,DWT)分析方法构造多解析度时频,提升数据质量. 最后,引入轻量级的结合通道空间的卷积块注意力模块(Convolutional Block Attention Module,CBAM),以提高功耗曲线关键特征的学习效率. 实验结果表明,本文方法对侧信道分析所需的功耗曲线较原模型减少了88. 27%,显著提高了分析性能,能够满足侧信道建模和分析的要求.
关键词: 侧信道分析; 功耗分析; 多尺度特征融合; 离散小波变换; 注意力机制
中图分类号: TN918. 4; TP183 文献标志码: A DOI: 10. 19907/j. 0490-6756. 2024. 033003