[发明专利]使用神经网络对原始侧信道数据进行端到端攻击的方法

权利要求书

1.一种使用神经网络对原始侧信道数据进行端到端攻击的方法，其特征在于，包括：

步骤1，构建包括初级编码器、高级编码器、至少一个注意力机制单元以及分类器的神经网络用于后续的训练和攻击步骤；

步骤2，使用任意原始侧信道数据对步骤1搭建的神经网络进行训练，并从中随机不超过其中50％的数据作为验证集，训练过程中使用交叉熵作为损失函数，当验证数据集上的损失函数数值开始上升时，停止训练；

步骤3，使用训练后的神经网络在攻击数据集上开展攻击，即将攻击数据集输入网络，网络将返回每条侧信道信息曲线的分类概率，根据多条侧信道信息分类的概率值，利用最大似然估计，求得一组侧信道信息背后密码算法运行时的密钥值，具体包括：

步骤3.1，使用神经网络中的初级编码器对原始侧信道数据进行细粒度特征提取，同时实现对原始侧信道数据的维度压缩；

步骤3.2，使用神经网络中的高级编码器，对步骤3.1得到的细粒度特征进行组合，从而达到结合掩码和被掩中间值泄露信息的目的，以实现最终的端到端攻击；

步骤3.3，使用注意力机制单元计算高级编码器输出的组合后的特征之间的权重并求和，对最终得到的特征向量使用分类器进行分类，得到该侧信道信息属于不同中间值类别的概率；

步骤3.4，使用一层全连接层和softmax为加权求和后的特征向量分类；

所述的攻击数据集是指：在训练过程中未使用的，用于实际攻击密码算法的数据集，在机器学习的分类问题背景下通常被称为测试集，用于测试匹配率，在侧信道背景下，因为测试集的分类概率可直接用于侧信道攻击，即攻击数据集；

两个LSTM网络结构按照数据通道维度结合或按照时间维度结合，其中：按照数据通道维度结合时，中间特征向量的通道数量翻倍，时间步数量不变且两个LSTM网络结构共享一个批标准化操作；按照时间维度结合时，中间特征向量的通道数量不变，时间步翻倍且两个LSTM网络结构分别具有独立的批标准化操作；

所述的至少一个注意力机制单元是指：当两个LSTM网络结构按照数据通道维度结合时，一个注意力机制单元的输入端与两个LSTM网络结构结合后的输出端相连；当两个LSTM网络结构按照时间维度结合时，两个相互独立的注意力机制单元的输入端分别与两个LSTM网络结构的输出端相连，两个方向不同的注意力机制单元相互配合，从不同方向确定侧信道信息的主要泄露区间，帮助上层LSTM缩小实际训练中的学习序列长度。

2.根据权利要求1所述的使用神经网络对原始侧信道数据进行端到端攻击的方法，其特征是，所述的初级编码器包括：局部连接网络和卷积网络，其中：局部连接网络由一层局部连接层和整形(Reshape)层组成，卷积网络包括至少一层卷积层和最大池化层。

3.根据权利要求1所述的使用神经网络对原始侧信道数据进行端到端攻击的方法，其特征是，所述的高级编码器包括：两个分别与初级编码器的输出端相连的长短期记忆(LSTM)网络结构，该两个LSTM网络结构分别按照时间顺序从前到后和从后到前遍历数据。

4.根据权利要求1所述的使用神经网络对原始侧信道数据进行端到端攻击的方法，其特征是，所述的注意力机制单元包括单个神经元和softmax激活函数，其中：单个神经元按照相同标准给所有时间步的重要性打分，softmax激活函数将分数映射成概率，该概率可以进一步控制不同时间步之间的权重，以权重形式作用于注意力单元的输入，并给出加权求和的结果向量，从而帮助高级编码器中的LSTM在大量的时间步中筛选重要时间步，并通过不同权重控制训练过程中的梯度方向，起到了软性的时间步截断作用。

5.根据权利要求1所述的使用神经网络对原始侧信道数据进行端到端攻击的方法，其特征是，所述的原始侧信道数据是指：未经过特征点选择和对齐处理的侧信道数据。

6.根据权利要求1所述的使用神经网络对原始侧信道数据进行端到端攻击的方法，其特征是，当原始侧信道信息未对齐或无法对齐，通过替换不同结构的初级编码器，对未对齐的原始侧信道数据进行细粒度特征提取。