[發(fā)明專利]使用神經(jīng)網(wǎng)絡(luò)對原始側(cè)信道數(shù)據(jù)進行端到端攻擊的方法

有效

• 申請?zhí)枺?/td>: 202110406620.5
• 申請日: 2021-04-15
• 公開（公告）號: CN113158181B
• 公開（公告）日: 2022-04-05
• 發(fā)明（設(shè)計）人: 陸相君;谷大武;陸海寧;沙偉燕;張佩
• 申請（專利權(quán)）人: 上海交通大學(xué);國網(wǎng)寧夏電力有限公司電力科學(xué)研究院
• 主分類號: G06F21/55
• 分類號: G06F21/55;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海交達專利事務(wù)所 31201
• 代理人: 王毓理;王錫麟

1.一種使用神經(jīng)網(wǎng)絡(luò)對原始側(cè)信道數(shù)據(jù)進行端到端攻擊的方法，其特征在于，包括：

步驟1，構(gòu)建包括初級編碼器、高級編碼器、至少一個注意力機制單元以及分類器的神經(jīng)網(wǎng)絡(luò)用于后續(xù)的訓(xùn)練和攻擊步驟；

步驟2，使用任意原始側(cè)信道數(shù)據(jù)對步驟1搭建的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并從中隨機不超過其中50％的數(shù)據(jù)作為驗證集，訓(xùn)練過程中使用交叉熵作為損失函數(shù)，當(dāng)驗證數(shù)據(jù)集上的損失函數(shù)數(shù)值開始上升時，停止訓(xùn)練；

步驟3，使用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)在攻擊數(shù)據(jù)集上開展攻擊，即將攻擊數(shù)據(jù)集輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)將返回每條側(cè)信道信息曲線的分類概率，根據(jù)多條側(cè)信道信息分類的概率值，利用最大似然估計，求得一組側(cè)信道信息背后密碼算法運行時的密鑰值，具體包括：

步驟3.1，使用神經(jīng)網(wǎng)絡(luò)中的初級編碼器對原始側(cè)信道數(shù)據(jù)進行細粒度特征提取，同時實現(xiàn)對原始側(cè)信道數(shù)據(jù)的維度壓縮；

步驟3.2，使用神經(jīng)網(wǎng)絡(luò)中的高級編碼器，對步驟3.1得到的細粒度特征進行組合，從而達到結(jié)合掩碼和被掩中間值泄露信息的目的，以實現(xiàn)最終的端到端攻擊；

步驟3.3，使用注意力機制單元計算高級編碼器輸出的組合后的特征之間的權(quán)重并求和，對最終得到的特征向量使用分類器進行分類，得到該側(cè)信道信息屬于不同中間值類別的概率；

步驟3.4，使用一層全連接層和softmax為加權(quán)求和后的特征向量分類；

所述的攻擊數(shù)據(jù)集是指：在訓(xùn)練過程中未使用的，用于實際攻擊密碼算法的數(shù)據(jù)集，在機器學(xué)習(xí)的分類問題背景下通常被稱為測試集，用于測試匹配率，在側(cè)信道背景下，因為測試集的分類概率可直接用于側(cè)信道攻擊，即攻擊數(shù)據(jù)集；

兩個LSTM網(wǎng)絡(luò)結(jié)構(gòu)按照數(shù)據(jù)通道維度結(jié)合或按照時間維度結(jié)合，其中：按照數(shù)據(jù)通道維度結(jié)合時，中間特征向量的通道數(shù)量翻倍，時間步數(shù)量不變且兩個LSTM網(wǎng)絡(luò)結(jié)構(gòu)共享一個批標(biāo)準(zhǔn)化操作；按照時間維度結(jié)合時，中間特征向量的通道數(shù)量不變，時間步翻倍且兩個LSTM網(wǎng)絡(luò)結(jié)構(gòu)分別具有獨立的批標(biāo)準(zhǔn)化操作；

所述的至少一個注意力機制單元是指：當(dāng)兩個LSTM網(wǎng)絡(luò)結(jié)構(gòu)按照數(shù)據(jù)通道維度結(jié)合時，一個注意力機制單元的輸入端與兩個LSTM網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合后的輸出端相連；當(dāng)兩個LSTM網(wǎng)絡(luò)結(jié)構(gòu)按照時間維度結(jié)合時，兩個相互獨立的注意力機制單元的輸入端分別與兩個LSTM網(wǎng)絡(luò)結(jié)構(gòu)的輸出端相連，兩個方向不同的注意力機制單元相互配合，從不同方向確定側(cè)信道信息的主要泄露區(qū)間，幫助上層LSTM縮小實際訓(xùn)練中的學(xué)習(xí)序列長度。

2.根據(jù)權(quán)利要求1所述的使用神經(jīng)網(wǎng)絡(luò)對原始側(cè)信道數(shù)據(jù)進行端到端攻擊的方法，其特征是，所述的初級編碼器包括：局部連接網(wǎng)絡(luò)和卷積網(wǎng)絡(luò)，其中：局部連接網(wǎng)絡(luò)由一層局部連接層和整形(Reshape)層組成，卷積網(wǎng)絡(luò)包括至少一層卷積層和最大池化層。

3.根據(jù)權(quán)利要求1所述的使用神經(jīng)網(wǎng)絡(luò)對原始側(cè)信道數(shù)據(jù)進行端到端攻擊的方法，其特征是，所述的高級編碼器包括：兩個分別與初級編碼器的輸出端相連的長短期記憶(LSTM)網(wǎng)絡(luò)結(jié)構(gòu)，該兩個LSTM網(wǎng)絡(luò)結(jié)構(gòu)分別按照時間順序從前到后和從后到前遍歷數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的使用神經(jīng)網(wǎng)絡(luò)對原始側(cè)信道數(shù)據(jù)進行端到端攻擊的方法，其特征是，所述的注意力機制單元包括單個神經(jīng)元和softmax激活函數(shù)，其中：單個神經(jīng)元按照相同標(biāo)準(zhǔn)給所有時間步的重要性打分，softmax激活函數(shù)將分?jǐn)?shù)映射成概率，該概率可以進一步控制不同時間步之間的權(quán)重，以權(quán)重形式作用于注意力單元的輸入，并給出加權(quán)求和的結(jié)果向量，從而幫助高級編碼器中的LSTM在大量的時間步中篩選重要時間步，并通過不同權(quán)重控制訓(xùn)練過程中的梯度方向，起到了軟性的時間步截斷作用。

5.根據(jù)權(quán)利要求1所述的使用神經(jīng)網(wǎng)絡(luò)對原始側(cè)信道數(shù)據(jù)進行端到端攻擊的方法，其特征是，所述的原始側(cè)信道數(shù)據(jù)是指：未經(jīng)過特征點選擇和對齊處理的側(cè)信道數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的使用神經(jīng)網(wǎng)絡(luò)對原始側(cè)信道數(shù)據(jù)進行端到端攻擊的方法，其特征是，當(dāng)原始側(cè)信道信息未對齊或無法對齊，通過替換不同結(jié)構(gòu)的初級編碼器，對未對齊的原始側(cè)信道數(shù)據(jù)進行細粒度特征提取。