基于多尺度特征融合的功耗建模分析方法
2024-06-29 00:53:52李想楊寧劉偉鋒陳艾東張彥龍王碩周婧
四川大學學報(自然科學版) 2024年3期
李想 楊寧 劉偉鋒 陳艾東 張彥龍 王碩 周婧
摘 要： 在數字化浪潮推動下，5G 和6G 技術的快速發展正引領移動通信系統步入新階段.先進的硬件設備和加密芯片為不斷增長的數據處理需求和日益關注的安全保障提供了強有力的支持. 在這一背景下，搭載現代密碼技術的各類硬件設備逐漸演變為不可或缺的生活基石. 這些設備已經具備抵御傳統密碼分析的能力. 近年來，學術界的研究重點之一是對設備在實際運行過程中產生的物理泄漏進行分析. 這一領域被稱為側信道分析（Side-ChannelAnalysis，SCA）. 深度學習驅動的側信道分析已被廣泛認可為一種有效的方法，針對當前神經網絡模型的功耗曲線數量需求大、魯棒性差和收斂速度慢等問題，本文提出一種基于CNNbest的多尺度特征融合側信道分析方法. 首先，重構特征提取網絡結構，以解決深層特征向量容易過度解釋噪聲細節的問題和模型過擬合問題. 而后，使用濾波器陣列執行離散小波變換（DiscreteWavelet Transform，DWT）分析方法構造多解析度時頻，提升數據質量. 最后，引入輕量級的結合通道空間的卷積塊注意力模塊（Convolutional Block Attention Module，CBAM），以提高功耗曲線關鍵特征的學習效率. 實驗結果表明，本文方法對側信道分析所需的功耗曲線較原模型減少了88. 27%，顯著提高了分析性能，能夠滿足側信道建模和分析的要求.
關鍵詞： 側信道分析； 功耗分析； 多尺度特征融合； 離散小波變換； 注意力機制
中圖分類號： TN918. 4； TP183 文獻標志碼： A DOI： 10. 19907/j. 0490-6756. 2024. 033003
