【技术实现步骤摘要】
一种基于CLRM模型的深度学习侧信道攻击方法及系统
[0001]本专利技术涉及侧信道攻击
,具体而言,涉及一种基于
CLRM
模型的深度学习侧信道攻击方法及系统
。
技术介绍
[0002]随着深度学习技术的发展,以及现今处于移动互联网
、
云计算
、
大数据等计算机技术高速发展的阶段,各种设备如可穿戴设备
、
智能终端
、
嵌入式设备等已经成为了生活不可或缺的一部分,但与此同时密码算法却遭到了威胁,产生最大威胁的攻击手段是侧信道攻击
(Side Channel Attack,SCA)
,其本质就是利用仪器捕获到与密钥有关的物理信息,如加密过程中释放的声音
、
电磁辐射和功耗损失等关键信息,然后分析这些物理泄露信息与加密过程中加密数据中间状态的关系,可实现小成本破解密钥
。
[0003]此外,在侧信道攻击领域,按照是否对旁路信息构建模板可以划分为两类:建模类侧信道攻击和非建模类侧信道攻击
。
在建模类侧信道攻击中包括建模阶段和攻击阶段两个阶段,对应于深度学习中的训练阶段和预测阶段
。
在建模阶段,攻击者使用与目标设备相同的建模设备来对密钥相关的信息与目标设备的旁路泄露之间的依赖关系进行建模;在攻击阶段,使用已建立的模型对目标设备执行密钥恢复攻击,如模板攻击
(Template Attack,TA)
和随机攻击
(Stocha ...
【技术保护点】
【技术特征摘要】
1.
一种基于
CLRM
模型的深度学习侧信道攻击方法,其特征在于,包括如下步骤:
S1、
获取密码算法在设备运行过程中产生的侧信道数据;
S2、
构建侧信道攻击模型,所述模型包括卷积神经网络模块
、
长短期记忆网络模块以及残差网络模块,利用已知密钥的侧信道数据对所述侧信道攻击模型进行训练,以建立从侧信道数据到正确密钥之间的映射关系;
S3、
采用训练后的侧信道攻击模型对采集的侧信道数据进行特征提取分析,以实现对密钥的正确恢复
。2.
如权利要求1所述的基于
CLRM
模型的深度学习侧信道攻击方法,其特征在于,所述卷积神经网络模块用于对泄露信息的特征进行提取,包括3个卷积块,每个卷积块包括:卷积层
、
批归一化处理层
、SeLU
激活函数层和最大池化层
MaxPooling。3.
如权利要求2所述的基于
CLRM
模型的深度学习侧信道攻击方法,其特征在于,所述长短期记忆网络模块用于学习不同的特征信息,包括2个
CuDNNLSTM
层
、
批处理归一化层和激活函数层
。4.
如权利要求3所述的基于
CLRM
模型的深度学习侧信道攻击方法,其特征在于,所述残差网络模块包括2个批标准化处理层
、2
个
SeLU
激活函数层
、2
个卷积层以及软阈值模块
。5.
如权利要求4所述的基于
CLRM
模型的深度学习侧信道攻击方法,其特征在于,所述
CLRM
模型具体架构包括:输入层:第一层为
Input
层,也就是输入能量迹向量;卷积神经网络模块包括3个卷积块:卷积块1:第二层为卷积层
Conv、
批处理归一化层
BN、
激活函数层
SeLU
和最大池化层
MaxPooling
;其中卷积层的过滤器大小为3,步长为2,个数为
128
,填充模式为
same
;最大池化层的池化窗口为2,且步长也为2;卷积块2:第三层为卷积层
Conv、
批处理归一化层
BN、
激活函数层
SeLU
和最大池化层
MaxPooling
;其中卷积层的过滤器大小为3,步长为2,个数为
256
,填充模式为
same
,而最大池化层的池化窗口为2,步长为2;卷积块3:第四层为卷积层
Conv、
批处理归一化层
BN、
激活函数层
SeLU
和最大池化层
MaxPooling
;其中卷积层的过滤器大小为3,步长为2,个数为
512
,填充模式为
same
,而最大池化层的池化窗口为2,步长为2;长短期记忆网络模块:第五层包括向前和向后传播的两层
CuDNNlSTM
,其向前传播的单元个数为
128
,向后传播的单元个数为
128
,将向前和向后传播的
...
【专利技术属性】
技术研发人员:黄海,唐新琳,刘志伟,马超,关志博,吴英东,
申请(专利权)人:中数深圳时代科技有限公司,
类型:发明
国别省市:
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。