基于卷积神经网络的旁路分析模型构建方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115775013A(43)申请公布日2023.03.10(21)申请号202210174108.7(22)申请日2022.02.24(71)申请人中国人民解放军陆军工程大学地址050003河北省石家庄市和平西路97号(72)发明人陈开颜刘林云李雄伟张阳王寅龙李玺谢方方谢志英李艳朱宁(74)专利代理机构北京八月瓜知识产权代理有限公司11543专利代理师秦莹(51)Int.Cl.G06N3/0464(2023.01)G06N3/08(2022.01)H04L9/40(2023.01)权利要求书1页说明书8页附图2页(54)发明名称基于卷积神经网络的旁路分析模型构建方法(57)摘要本说明书实施例提供了一种基于卷积神经网络的旁路分析模型构建方法及装置，其中，方法包括：基于从攻击无防护加密实现的CNNSCA模型设计中筛选的优势参数，构建卷积神经网络简单模型；通过在所述卷积神经网络简单模型中引入SEnet网络的SE模块，构建基模型SESCAbase；通过获取的训练集对所述基模型进行训练，获得基于卷积神经网络的旁路分析模型SESCA。以实现对带防护措施加密实现的攻击。CN115775013ACN115775013A权利要求书1/1页1.一种基于卷积神经网络的旁路分析模型构建方法，其特征在于，包括：基于从攻击无防护加密实现的CNNSCA模型设计中筛选的优势参数，构建卷积神经网络简单模型；通过在所述卷积神经网络简单模型中引入SEnet网络的SE模块，构建基模型SESCAbase；通过获取的训练集对所述基模型进行训练，获得基于卷积神经网络的旁路分析模型SESCA。2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络简单模型包括5个卷积块、3个全连接层，在最后一个全连接层使用softmax函数输出分类预测结果；选择ReLU函数作为卷积神经网络的激活函数，卷积层的卷积方式为SAME。3.根据权利要求2所述的方法，其特征在于，每个所述卷积块初始的卷积层为1，第一个卷积层中的卷积核数量为64，卷积核尺寸为3x3、步长为1，池化方式选择平均池化模式，池化窗口尺寸为2，步长为2。4.根据权利要求2所述的方法，其特征在于，所述引入SE模块具体为：将所述SE模块嵌入到所述卷积神经网络简单模型除第一个卷积块外的每个卷积块的卷积层和池化层中间。5.根据权利要求1所述的方法，其特征在于，所述对基模型进行训练具体为：采用BP网络的梯度下降算法进行训练，所述训练集的数据进行正向传播以及误差反向传播的持续运算，直到预测值与标签的误差小于等于预设稳定值时，SESCA网络模型训练结束。6.根据权利要求5所述的方法，其特征在于，所述对基模型进行训练时，采用交叉熵作为模型的损失函数，采用RMSprop作为模型的优化器。7.根据权利要求1所述的方法，其特征在于，所述训练集通过旁路泄露公共数据集——ASCAD数据库的第三个数据集获取。8.一种基于卷积神经网络的旁路分析模型构建装置，包括：简单模型构建模块：用于基于从攻击无防护加密实现的CNNSCA模型设计中筛选优势参数，构建卷积神经网络简单模型；基模型构建模块：用于通过在所述卷积神经网络简单模型中引入SEnet网络的SE模块，构建基模型SESCAbase；基模型训练模块：用于通过获取的训练集对所述基模型进行训练，获得基于卷积神经网络的旁路分析模型SESCA。9.一种电子设备，包括：处理器；以及，被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行时实现如权利要求1‑7任一项所述的一种基于卷积神经网络的旁路分析模型构建方法的步骤。10.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现如权利要求1‑7任一项所述的一种基于卷积神经网络的旁路分析模型构建方法的步骤。2CN115775013A说明书1/8页基于卷积神经网络的旁路分析模型构建方法技术领域[0001]本文件涉及卷积神经网络技术领域，尤其涉及一种基于卷积神经网络的旁路分析模型构建方法及装置。背景技术[0002]旁路密码分析(SideChannelAnalysis，SCA)是指绕过对加密算法的繁琐分析，利用密码算法在硬件加密实现中泄露的与运算数据相关信息(如执行时间、功耗、电磁辐射等)，结合统计分析方法破解密码系统。[0003]如今随着机器学习的发展，在图像分类、目标识别上表现优异性能的深度学习技术开始盛行,已有研究表明深度学习下的卷积神经网络算法应用在旁路分析上能产生较好的破密性能。[0004]目前国内外，使用CNNSCA成功实现破密的CNN结构主要有两种，分别是基于Alexnet和VGGnet两种网络结构的变体，其中2012届ILSVRC冠军结构Alexn