[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

说明书

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，通过构建神经网络并使用任意原始侧信道数据对神经网络进行训练，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；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；本发明能够自动地在原始侧信道曲线上发现并组合掩码和中间值泄露，并利用组合后的信息直接进行侧信道攻击，有效解决掩码防护下进行侧信道攻击困难的问题。

技术领域

本发明涉及的是一种信息安全领域的技术，具体是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，即直接对掩码防护下未对齐的高维原始侧信道数据进行侧信道攻击。

背景技术

侧信道分析主要是基于物理特征的分析技术，包括功耗分析，电磁分析，错误分析，时间分析等等，其中功耗分析是指通过分析密码运算过程中呈现的电流/电压变化得出功耗的变化，进而将功耗与密钥信息联系起来，最终获取密钥信息。其进一步包括简单功耗分析(SPA)和差分功耗分析(DPA)：SPA是指根据功耗曲线上所呈现的特殊特征来推测密钥信息，DPA利用的是操作数的变化所引起的微小的功耗变化，需要通过对大量功耗曲线进行统计分析才能得出密钥信息。电磁分析与功耗分析类似，只是获取曲线的方式有别。错误分析是利用错误结果进行分析得出密钥信息的分析技术。时间分析是指有的算法运行时间会因密钥的不同而不同，因而可以通过运行时间来推测密钥。

现有的随机掩码防护方法(masking)采用随机数掩盖运算过程中的真实数据，以此阻止攻击者找到中间值和侧信道信息的直接相关关系。此时随机掩码和中间值依然会在侧信道信息中泄露，但由于掩码的随机性，攻击者无法直接定位它们的位置，致使攻击代价大幅提高。由于所述掩码的存在，在实际分析中进行直接的特征点选择是不可行的，而结合不同位置功耗点的高阶攻击会因为原始曲线过长而消耗大量存储资源(随掩码阶数增长呈指数增长)，也不可行。

发明内容

本发明针对现有技术存在的上述不足，提出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，使用神经网络技术直接对掩码防护下未对齐高维原始侧信道信息进行攻击，能够自动地在原始侧信道曲线上(无需预先时序对齐或降维)发现并组合掩码和中间值泄露，并利用组合后的信息直接进行侧信道攻击，有效解决掩码防护下进行侧信道攻击困难的问题。

本发明是通过以下技术方案实现的：

本发明涉及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，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。

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。

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。

所述的两个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(batch normalization)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。