[發明專利]一種DWT注意機制的能量跡噪聲自適應方法

在審

• 申請號: 202110256287.4
• 申請日: 2021-03-09
• 公開（公告）號: CN112966611A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 胡紅鋼;金敏慧
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/52;G06K9/62;G06F21/60;G06N3/04;G06N3/08
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;韓珂

本發明公開了一種DWT注意機制的能量跡噪聲自適應方法，通過利用DWT將特征劃分為高頻部分和低頻部分并利用注意機制對這兩種特征賦予權重來減少卷積神經網絡模型對噪聲的學習。同時，該方法也提升了卷積神經網絡模型在學習過程中對能量軌跡中噪聲的魯棒性，在不需要對能量跡進行預處理的情況下，減少噪聲帶來的影響，從而提升了卷積神經網絡在有噪聲的能量軌跡上的適應能力。

技術領域

本發明涉及密碼安全技術領域，尤其涉及一種DWT注意機制的能量跡噪聲自適應方法。

背景技術

側信道攻擊在1996年被首次提出，利用密碼設備在加密計算過程中存在的時間、功耗、電磁、甚至是聲音等物理泄露信息恢復密碼芯片中的密鑰信息。

攻擊者通過在密碼設備加密的過程中采集功耗或者電磁能量跡，并通過建模或者統計分析等方法恢復密碼設備的密鑰信息。隨著側信道攻擊的發展，逐漸形成了一類特有的攻擊——Profiled側信道攻擊。

Profiled側信道攻擊具有一個比較強的假設，即攻擊者手上有一塊和待攻擊設備(Device2)相同的密碼設備(Device1)，攻擊者能完全的控制密碼設備包括設置內部密碼算法的密鑰信息。Profiled側信道攻擊主要分為建模階段和攻擊階段，在建模階段中，攻擊者在Device1密碼設備上采集大量的能量跡，并利用采集的能量跡進行建模，生成攻擊模型。然后在攻擊階段，在待攻擊的設備Device2上采集攻擊能量跡，并利用建模階段得到的攻擊模型進行密鑰恢復。

在此之后，卷積神經網絡模型作為一種Profiled攻擊模型被引進到了側信道攻擊中。作為一種側信道攻擊模型，在整個攻擊過程中也是被分為兩個階段：建模階段和攻擊階段。在建模階段，采集Device1設備的能量跡，并對每一條能量跡生成一個標簽。利用能量跡和標簽訓練CNN模型，然后在攻擊階段，采集待攻擊設備Device2的能量跡并利用訓練好的CNN模型恢復密鑰信息。

雖然卷積神經網絡模型是一種有效的攻擊模型，但是和側信道攻擊的結合還是存在一定的問題，其中的一個問題就是能量跡中的噪聲問題。在采集密碼設備加密過程中的能量軌跡時，環境噪聲或者電子噪聲是不可避免的，軌跡中一般都含有大量的電子噪聲。電子噪聲的存在會嚴重干擾神經網絡模型的學習效果，而得到一個好的網絡模型是攻擊成功的關鍵。因此如何減少能量軌跡中噪聲對神經網絡學習過程的影響目前亟需解決的問題。

在噪聲處理方面，最開始使用的去噪方法是對能量跡做平均，該方法的基礎是能量跡中存在的電子噪聲是滿足高斯分布且分布的均值為0，因此平均可以有效的去除噪聲，但是需要使用大量的軌跡。Le等人在預處理階段使用四階累積量移除能量跡中的噪聲，該方法主要利用了能量跡中具有非高斯分布的有效信號量以及具有高斯分布的噪聲量的特性。高斯分布的噪聲在大于二階的累計量中為0，即有用信號和高斯噪聲四階累計量等于有用信號的累計量。Wei等人在預處理階段使用截至頻率為60MHz低通濾波的方法移除高斯噪聲。另一些方法是從特征工程的角度進行去噪，通過使用主成分分析(PCA)、核判別分析(KDA)以及已知密文的CPA分析從能量跡中選取一些含有有用信息的興趣點，從而減少能量跡中其他采樣點的噪聲的引入，但是這種方法打破了能量跡中采樣點之間的相關性，對于一些具有掩碼防護措施的加密算法攻擊很差。Wu等人使用深度學習中的自編碼器作為預處理階段的去噪模型，自編碼器的輸入為具有噪聲的能量跡，輸出為去噪過后的能量跡。該過程主要分為兩個階段：編碼階段和解碼階段，編碼階段將輸入能量跡進行壓縮，壓縮過后的能量跡保有最大的信息量，接著再進行解碼，輸出的軌跡具有和輸入軌跡相同的維度。但是自編碼器方法在訓練的過程中也同樣需要大量的軌跡，這無疑將加重了能量采集過程中的復雜度。綜上所示，目前已經存在的噪聲處理方法主要有以下幾點不足：

1、在預處理去噪階段就需要大量的軌跡，而訓練卷積神經網絡本身就需要大量軌跡，使得軌跡采集階段的工作量很大。

2、預處理去噪方法會影響能量跡之間的相關性，對于一些有防護措施的加密算法，反而會減弱網絡的攻擊能力。