基于卷积神经网络的旁路分析模型构建方法技术

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。现对带防护措施加密实现的攻击。现对带防护措施加密实现的攻击。

【技术实现步骤摘要】
基于卷积神经网络的旁路分析模型构建方法


[0001]本文件涉及卷积神经网络
，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。

技术介绍

[0002]旁路密码分析(Side Channel Analysis，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Alexnet，在文献中应用到SCA场景中，其Alex
‑
CNNSCA网络模型实现了攻击无防护加密实现，但实际上在攻击带防护目标时破密效果并不理想。2013届ILSVRC冠军网络ZFNet与2012年第一届ILSVRC冠军网络Alexnet相比变化不大。2014届ILSVRC亚军结构VGGnet，在SCA应用中也实现了对无防护目标的破密，文献中都提出了不同参数的VGG
‑
CNNSCA模型，其中破密效果表现最好的是文献提出的VGG
‑
CNNSCA，该模型在设计和优化时，作者同时也对带防护(一阶掩码和随机时延)的旁路泄露数据集进行攻击实验，其破密结果也不太理想。2014年的ILSVRC冠军网络GoogLeNet和2015年的ILSVRC冠军网络ResNet也曾在SCA使用，但效果一般，该结论已在文献证实。2017年最后一届ILSVRC冠军网络是Momenta与牛津大学提出的SENet，目前鲜有文献将该网络应用在SCA场景上。虽然不断发展的CNNSCA克服了以往建模方法的缺陷，在攻击无防护加密实现时破密性能有了提升，但目前鲜有CNNSCA实现对带防护措施加密实现的攻击。本专利技术旨在设计一种新CNNSCA模型，以实现对带防护措施加密实现的攻击。

技术实现思路

[0005]本说明书一个或多个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，包括：
[0006]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；
[0007]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；
[0008]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。
[0009]本说明书一个或多个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装置，包括：
[0010]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；
[0011]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；
[0012]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。
[0013]本说明书一个或多个实施例提供了一种电子设备，包括：
[0014]处理器；以及，
[0015]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上述一种基于卷积神经网络的旁路分析模型构建方法的步骤。
[0016]本说明书一个或多个实施例提供了一种存储介质，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上述基于卷积神经网络的旁路分析模型构建方法的步骤。
[0017]本专利技术通过在卷积神经网络模型中引入SEnet网络，构建了一种新的基于卷积神经网络的旁路分析模型SESCA，引入的SE模块能够有效克服模型训练时误差反向传播中的梯度弥散问题，以成功实现对带防护措施加密实现的攻击，提高攻击带防护加密实现时的破密性能。
附图说明
[0018]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本说明书一个或多个实施例提供的一种基于卷积神经网络的旁路分析模型构建方法的流程图；
[0020]图2为本说明书一个或多个实施例提供的基模型SESCAbase的结构示意图；
[0021]图3为本说明书一个或多个实施例提供的一种基于卷积神经网络的旁路分析模型构建装置的示意图；
[0022]图4为本说明书一个或多个实施例提供的一种电子设备的结构示意图。
具体实施方式
[0023]为了使本
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
[0024]方法实施例
[0025]根据本专利技术实施例，提供了一种基于卷积神经网络的旁路分析模型构建方法，图1是本说明书一个或多个实施例提供的一种基于卷积神经网络的旁路分析模型构建方法的
流程图，如图1所示，根据本专利技术实施例的一种基于卷积神经网络的旁路分析模型构建方法具体包括：
[0026]S1.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。
[0027]具体的，在现有研究中，攻击无防护ASCAD数据集时，Alex
‑
CNNSCA、VGG
‑
CNNSCA两个模型表现出较好的破密效果，因此，在设计新的剪辑神经网络模型攻击带防护ASCAD数据集时，可以基于上述两个模型优势构建新的SESCAbase结构。首先找出Alex
‑
CNNSCA和VGG
‑
CNNSCA模型设置相同的参数，并将这几种参数在构建的卷积神经网络简单模型中做同样设置，设置的参数包括：5个卷积块、3个全连接层、卷积层的填充方式都是SAME、最后一层网络前所有层的激活函数都选择ReLU。此外，本实施例构建的卷积神经网络简单模型中选择softmax作为模型的分类函数，选择交叉熵(crossentropy)作为模型的损失函数，选择RMSprop作为模型的优化器。
[0028]初始化每个卷积块的卷积层为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，池化方式包括最大池本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：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，
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：