【技术实现步骤摘要】
本专利技术涉及侧信道分析领域，具体涉及一类矩限制正则化自适应优化的侧信道分析方法及系统。
技术介绍
1、深度学习在侧信道分析领域的应用推动了该领域的研究进入了全新的阶段。相较于传统的统计分析方法，基于深度学习的侧信道分析很少需要对数据进行预处理，因为神经网络能够隐式地提取特征。由于基于深度学习的侧信道分析被视为有监督的分类问题，因此分类模型在这方面是自然的选择。
2、大多数致力于侧信道分析研究的学者重点关注的是用于分类模型的神经网络的构建，而对于优化器的选择鲜有涉及。最近有研究表明，选择合适的优化器确实能够为模型的预测能力带来很大改进。该研究还发现，adam和rmsprop在短时间训练和规模较小的神经网络上相比于其他优化器表现更好。事实上，无需大规模的神经网络和长时间的训练，短时间训练和较小规模的神经网络同样可以获得出色的结果。因此adam和rmsprop这两类优化器可以作为侧信道分析模型的首选。
3、学习率的选择对优化器的使用至关重要，也是超参数调优不可或缺的环节。有研究指出自适应优化算法adam存在的新问题，...
【技术保护点】
1.一类矩限制正则化自适应优化的侧信道分析方法，其特征在于，步骤包括：
2.根据权利要求1所述的矩限制正则化自适应优化的侧信道分析方法，其特征在于，进行所述重组划分的方法包括：获取若干条侧信道迹线数据及对应的标签，并将获得的侧信道迹线数据在保持对应标签的情况下随机打乱顺序，然后均匀划分为若干批次的侧信道迹线数据及对应标签；其中，侧信道迹线数据的表达式包括：
3.根据权利要求2所述的矩限制正则化自适应优化的侧信道分析方法，其特征在于，进行所述预处理的方法包括：将划分后的侧信道迹线数据通过归一化的方式对sampleki中的每个tkij进行预处理，将...
【技术特征摘要】
1.一类矩限制正则化自适应优化的侧信道分析方法，其特征在于，步骤包括：
2.根据权利要求1所述的矩限制正则化自适应优化的侧信道分析方法，其特征在于，进行所述重组划分的方法包括：获取若干条侧信道迹线数据及对应的标签，并将获得的侧信道迹线数据在保持对应标签的情况下随机打乱顺序，然后均匀划分为若干批次的侧信道迹线数据及对应标签；其中，侧信道迹线数据的表达式包括：
3.根据权利要求2所述的矩限制正则化自适应优化的侧信道分析方法，其特征在于，进行所述预处理的方法包括：将划分后的侧信道迹线数据通过归一化的方式对sampleki中的每个tkij进行预处理，将每个tkij缩放至(0，1)之间：
4.根据权利要求1所述的矩限制正则化自适应优化的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。