针对侧信道建模攻击模型的平衡数据集构造方法技术

本发明专利技术公开了一种针对侧信道建模攻击模型的平衡数据集构造方法，使用条件生成对抗网络学习输入轨迹数据所包含的分布，尽可能使所生成的轨迹靠近原有分布，这样生成的轨迹数据显然能够体现出原有数据分布中的更多信息，利用条件生成对抗网络生成轨迹数据，扩充原始数据集，从而平衡各个类别的占比，可以更好的对少数类样本缺失的信息进行弥补，使得模型能够预测到更多的少数类别。预测到更多的少数类别。预测到更多的少数类别。

【技术实现步骤摘要】
针对侧信道建模攻击模型的平衡数据集构造方法


[0001]本专利技术涉及密码安全
，尤其涉及一种针对侧信道建模攻击模型的平衡数据集构造方法。

技术介绍

[0002]侧信道攻击(Side Channel Attack，SCA)是一种利用运行加密算法的物理设备所泄露的侧信息来恢复秘密信息的攻击。常用的侧信息包括时间、能量消耗、电磁辐射等。侧信道攻击主要分为建模攻击和非建模攻击，其中建模攻击近年来得到了迅速的发展，尤其是与深度学习(Deep Learning，DL)的相结合。建模攻击主要包括建模阶段和攻击阶段，在建模阶段，假设攻击者有一个与目标设备相同且完全控制的建模设备，然后通过建模算法对建模设备的泄露特征进行刻画并构建模板，攻击阶段直接利用模板来恢复目标设备的秘密信息。
[0003]模板攻击(Template Attack，TA)可以看作是最早的建模攻击，其原理是利用多元高斯正态分布对泄露噪声进行建模。随着建模攻击的发展，一系列基于机器学习(Machine Learning，ML)的建模攻击被提出，其中两个比较常用的模型就是支持向量机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对侧信道建模攻击模型的平衡数据集构造方法，其特征在于，包括：获取原始不平衡的数据集；将原始不平衡的数据集作为训练集，或者根据原始不平衡的数据集各标签类别下轨迹数据的数目来构建训练集，利用训练集训练条件生成对抗网络；以原始不平衡的数据集中数量占比最高的标签类别对应的轨迹数据的数量为标准，利用训练后的条件生成对抗网络，生成其他标签类别的轨迹数据，构建平衡的数据集。2.根据权利要求1所述的一种针对侧信道建模攻击模型的平衡数据集构造方法，其特征在于，所述根据原始不平衡的数据集各标签类别下轨迹数据的数目来构建训练集包括：移除原始不平衡的数据集中数量占比最高的标签类别对应的轨迹数据，然后将剩余的轨迹数据作为条件生成对抗网络的训练集；或者，将占比相同的类别标签对应的轨迹数据作为一个子训练集，获得若干子训练集；或者，将所有标签类别的轨迹数据数量减少到占比最少的标签类别对应的轨迹数量，构成平衡的训练集。3.根据权利要求1所述的一种针对侧信道建模攻击模型的平衡数据集构造方法，其特征在于，将占比相同的类别标签对应的轨迹数据作为一个子训练集，获得若干子训练集后，利用每一子训练集分别训练一个条件生成对抗网络，并利用训练后的条件生成对抗网络生成相应标签类别的轨迹数据。4.根据权利要求1所述的一种针对侧信道建模攻击模型的平衡数据集构造方法，其特征在于，所述条件生成对抗网络包括：生成器G(z；θ
g
)与判别器D(x；θ
d
)；所述生成器G(z；θ
g
)，用于学习训练集中原始轨迹数据x的分布P
data
，它将先验噪声z映射到P
data
，生成轨迹数据，先验噪声z的分布为P
noise
(z)，生成轨迹数据的分布记为p
g
；其中，既是先验噪声也代表生成器的输入，θ
g
表示生成器的参数；所述判别器D(x
′
；θ
d
)，用于判别输入的原始轨迹数据属于某个标签的概率，或者判别输入轨迹为原始轨迹数据或者重构出的轨迹数据的概率；其中，x
′
表示判别器的输入，包括：原始轨迹数据x与生成器生成的轨迹数据，θ
d
表示判别器的参数。5.根据权利要求4所述的一种针对侧信道建模攻击模型的平衡数据集构造方法，其特征在于，条件生成对抗网络训练过程中的目标函数表示为：其中，G、D各自指代生成器、判别器，V(D,G)表示训练CGAN的损失函数，表示对服从P...

【专利技术属性】
技术研发人员：胡红钢，汪平，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：