[发明专利]加密设备安全评估方法

权利要求书

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所述训练数据集，并采用随机梯度下降算法训练所述初始模型，在训练过程中，根据所述初始模型输出结果计算其概率分布，由所述概率分布计算所述初始模型最后一层隐藏层到输出层的感知信息，在所述初始模型最后一层隐藏层到输出层的感知信息达到预设值时，得到训练完成的旁路区分器。

4.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，所述关联信息包括：秘钥信息量；

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所述训练数据集，并采用随机梯度下降算法训练所述初始模型，在训练过程中，获取所述初始模型的秘钥信息量，由所述秘钥信息量计算泛化误差，在所述泛化误差达到预设误差值时，得到训练完成的旁路区分器。

5.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，包括：

采集所述目标加密设备的输出的数据，建立测试数据集；

将所述测试数据集输入所述训练完成的旁路区分器，得到所述训练完成的旁路区分器输出的测试结果；

基于所述测试结果，评估训练完成的旁路区分器。