加密设备安全评估方法技术

本申请涉及旁路分析技术领域，公开了一种加密设备安全评估方法，该方法包括：在采用神经网络模型构建旁路区分器之前，确定旁路区分器在训练阶段与测试阶段的关联信息；旁路区分器用于评估目标加密设备的物理泄露量；基于关联信息，确定神经网络模型在训练阶段的训练指标；采集目标加密设备的输出的数据，建立训练数据集；基于训练指标以及训练数据集，对神经网络模型进行训练，得到训练完成的旁路区分器；通过训练完成的旁路区分器评估目标加密设备的安全性能。通过本申请，提高了加密设备安全评估效果。

【技术实现步骤摘要】
加密设备安全评估方法
本申请涉及旁路分析
，尤其涉及一种加密设备安全评估方法。
技术介绍
2016年，科学家利用深度神经网络对旁路功耗信号实施加密分析，提出基于深度学习的建模类旁路密码分析(DLSCA,DeepLearningSideChannelAnalysis)。由于深度学习技术的自学习性、鲁棒性以及大数据兼容性，DLSCA对带防护技术的旁路攻击场景(掩码、偏移、噪声与延迟)密码分析效果更加显著。现有评估DLSCA方法中，在训练阶段时采用机器学习里的准确率指标衡量所建模板，在测试阶段中采用旁路分析中的安全指标。训练阶段与测试阶段的评估脱节严重，许多研究对于缺乏DLSCA量化评估指标的做法是根据经验训练一定迭代周期再根据深度神经网络模型测试阶段的猜测熵描述神经网络模型优劣程度，这种做法工作量过于庞大且过程复杂，安全员需要反复的训练测试，费时费力。
技术实现思路
本申请需要解决的技术问题是提供一种加密设备安全评估方法，用以解决旁路区分器在训练阶段和测试阶段无法对接的问题，特别是提高评估目标加密设备的安全性能的能本文档来自技高网...

【技术保护点】
1.一种加密设备安全评估方法，其特征在于，所述方法包括：/n在采用神经网络模型构建旁路区分器之前，确定所述旁路区分器在训练阶段与测试阶段的关联信息；所述旁路区分器用于评估目标加密设备的物理泄露量；/n基于所述关联信息，确定所述神经网络模型在训练阶段的训练指标；/n采集所述目标加密设备的输出的数据，建立训练数据集；/n基于所述训练指标以及所述训练数据集，对所述神经网络模型进行训练，得到训练完成的旁路区分器；/n采用所述训练完成的旁路区分器对所述目标加密设备的安全性进行评估。/n

【技术特征摘要】
1.一种加密设备安全评估方法，其特征在于，所述方法包括：
在采用神经网络模型构建旁路区分器之前，确定所述旁路区分器在训练阶段与测试阶段的关联信息；所述旁路区分器用于评估目标加密设备的物理泄露量；
基于所述关联信息，确定所述神经网络模型在训练阶段的训练指标；
采集所述目标加密设备的输出的数据，建立训练数据集；
基于所述训练指标以及所述训练数据集，对所述神经网络模型进行训练，得到训练完成的旁路区分器；
采用所述训练完成的旁路区分器对所述目标加密设备的安全性进行评估。


2.根据权利要求1所述的加密设备安全评估方法，其特征在于，所述确定所述旁路区分器在训练阶段与测试阶段的关联信息，包括：
确定神经网络模型的学习指标和性能指标；
确定旁路区分器的量化评估指标；
基于马尔可夫定理所述神经网络模型的性能指标、所述神经网络模型的学习指标、所述旁路区分器的量化评估指标确定所述关联信息。


3.根据权利要求1或2所述的旁路安全评估方法，其特征在于，所述神经网络模型在训练阶段的训练指标包括：神经网络模型最后一层隐藏层到输出层的感知信息。
所述基于所述训练指标以及所述训练数据集，对所述神经网络模型进行训练，得到训练完成的旁路区分器，包括：
基于所述训练数据集，选取所述旁路区分器的初始模型；
向所述初始模型输入...

【专利技术属性】
技术研发人员：陈开颜，宋世杰，李雄伟，张阳，王寅龙，李玺，谢志英，李艳，谢方方，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：河北;13