[發明專利]基于卷積神經網絡和選擇消息方法的功耗攻擊方法

在審

• 申請號: 202010886934.5
• 申請日: 2020-08-28
• 公開（公告）號: CN112016086A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 郭煒;陸瑾;魏繼增
• 申請（專利權）人: 天津大學
• 主分類號: G06F21/55
• 分類號: G06F21/55;H04L9/00;H04L9/30;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

1.一種基于卷積神經網絡和選擇消息方法的功耗攻擊方法，其特征在于，包括如下步驟：

1）構建基于公鑰加密算法的數據集，包括訓練集和測試集；

2）構建基于卷積神經網絡方法的功耗分析模型；

3）對基于卷積神經網絡方法的功耗分析模型進行訓練；

4）用訓練好的基于卷積神經網絡方法的功耗分析模型進行測試。

2.根據權利要求1所述的基于卷積神經網絡和選擇消息方法的功耗攻擊方法，其特征在于，步驟1）包括選擇消息數字1作為加密輸入消息，輸入現場可編程陣列FPGA中的加密程序盲化Boscher模冪算法中；在現場可編程陣列FPGA上執行加密程序盲化Boscher模冪算法，在執行中采集電壓功耗數據，即獲取示波器采集到的電壓功耗波形數據，是行列分別為相應電壓值和bit的二維數組，并將其中80%的數據作為訓練集，20%的數據作為測試集，每個訓練集都用整體數據中位數的方法計算對應的標簽。

3.根據權利要求1所述的基于卷積神經網絡和選擇消息方法的功耗攻擊方法，其特征在于，步驟2）所述的基于卷積神經網絡方法的功耗分析模型，包括有依次連接的：輸入層（1）、第一卷積層（2）、第一激活層（3）、第一平均池化層（4）、第二卷積層（5）、第二激活層（6）、第二平均池化層（7）、第三卷積層（8）、第三激活層（9）、第三平均池化層（10）、第四卷積層（11）、第四激活層（12）、第四平均池化層（13）、第一全連接層（14）、第五激活層（15）、第二全連接層（16）、第六激活層（17）、softmax分類層（18）和輸出層（19）。

4.根據權利要求3所述的基于卷積神經網絡和選擇消息方法的功耗攻擊方法，其特征在于，所述的輸入層（1）用于對原始圖像數據進行預處理，包括去均值和歸一化；所述的第一卷積層（2）、第二卷積層（5）、第三卷積層（8）和第四卷積層（11）結構相同，計算的填充均為1，每個神經元連接數據窗的權重是固定的，每個神經元只關注一個特性，所述的神經元是圖像處理中的濾波器；所述的第一激活層（3）、第二激活層（6）、第三激活層（9）、第四激活層（12）、第五激活層（15）和第六激活層（17）結構相同，均采用ReLU作為激活函數，用于將卷積層輸出結果做非線性映射；所述的第一平均池化層（4）、第二平均池化層（7）、第三平均池化層（10）和第四平均池化層（13）結構相同，大小均為2×2，步長均為2，用于壓縮數據和參數的量，減小過擬合；所述的第一全連接層（14）和第二全連接層（16）結構相同，均有4096個神經元，用于將得到的高度抽象化的特征數據進行整合，進行歸一化處理；所述的softmax分類層（18）具有35個神經元，代表了35個類別，即35個比特位，用于根據全連接得到的概率進行分類。

5.根據權利要求1所述的基于卷積神經網絡和選擇消息方法的功耗攻擊方法，其特征在于，步驟3）包括：

調用python庫中的亂序函數打亂訓練集數據，再從打亂的訓練集數據中每次選擇100組數據，輸入基于卷積神經網絡方法的功耗分析模型中，對該模型訓練20次；在每次的訓練過程中，用RMSProp優化器作為該模型的優化算法，同時使用回調函數對該模型進行參數優化；具體是：將每次訓練得出的密鑰結果和訓練集的標簽進行一一比對；使用回調函數計算與訓練集的標簽比對后的密鑰結果的損失率和準確率并保存；如果連續兩次訓練準確率沒有改善，則終止訓練，否則繼續訓練，直至完成20次訓練，在每次訓練后保存該模型；

在回調函數中為模型添加檢查點，在每次訓練后保存當前次訓練的權重，若損失率改善，則用當前模型參數覆蓋上一次模型參數，最終得到最優的基于卷積神經網絡方法的功耗分析模型。

6.根據權利要求1所述的基于卷積神經網絡和選擇消息方法的功耗攻擊方法，其特征在于，步驟4）是將測試集數據輸入訓練好的基于卷積神經網絡方法的功耗分析模型進行測試，得到測試集對應的密鑰結果。