[发明专利]加密设备安全评估方法

说明书

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。

技术领域

本申请涉及旁路分析技术领域，尤其涉及一种加密设备安全评估方法。

背景技术

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,Deep Learning Side Channel Analysis)。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。

发明内容

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力的问题。

为了解决上述问题，本申请所采用的技术方案是：

一种加密设备安全评估方法，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；采用训练完成的旁路区分器对目标加密设备的安全性进行评估。

优选地，上述确定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、神经网络模型的性能指标、神经网络模型的学习指标、旁路区分器的量化评估指标确定关联信息。

优选地，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；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，包括：基于训练数据集，选取旁路区分器的初始模型；向初始模型输入训练数据集，并采用随机梯度下降算法训练初始模型，在训练过程中，根据初始模型输出结果计算其概率分布，由概率分布计算初始模型最后一层隐藏层到输出层的感知信息，在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。

优选地，关联信息包括：秘钥信息量；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；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，包括：基于训练数据集，选取旁路区分器的初始模型；向初始模型输入训练数据集，并采用随机梯度下降算法训练初始模型，在训练过程中，获取初始模型的秘钥信息量，由秘钥信息量计算泛化误差，在泛化误差达到预设误差值时，得到训练完成的旁路区分器。

优选地，采用训练完成的旁路区分器对目标加密设备的安全性进行评估，包括：

采集目标加密设备的输出的数据，建立测试数据集；

将测试数据集输入训练完成的旁路区分器，得到训练完成的旁路区分器输出的测试结果；