基于半监督学习的AES算法功耗分析

基于机器学习的功耗分析是目前功耗分析的主要研究方向之一, 属于建模类的攻击. 针对无掩码防护的AES算法实现, 本文将半监督机器学习算法 Tri-Training应用于功耗分析, 有效减少了用机器学习算法进行建模时所需要的有标记能量迹数量. 相较于基于有监督机器学习的建模类功耗分析, 使用Tri-Training算法可以有效减小对有标记能量迹的需求, 更具有现实意义. 然而, Tri-Training算法在初始分类器较弱时, 容易出现错误标记现象, 影响分类的准确率和建模的效率. 对此本文在使用Tri-Training算法进行建模时引入了阈值判断操作, 提高了分类的准确率, 并对比了不同阈值对...

Full description

Saved in:
Bibliographic Details
Published inJournal of Cryptologic Research Vol. 8; no. 4; p. 660
Main Authors Xiang-Bin, WANG, Yong-Juan, WANG, ZHAO, Yuan, GAO Guang-Pu, Qing-Jun, YUAN, 王相宾, 王永娟, 赵远, 高光普, 袁庆军
Format Journal Article
LanguageChinese
Published Beijing Chinese Association for Cryptologic Research, Journal of Cryptologic Research 01.01.2021
Subjects
Accuracy
Algorithms
Classification
Machine learning
Power consumption
Semi-supervised learning
Online AccessGet full text
ISSN2097-4116
DOI10.13868/j.cnki.jcr.000467

Cover

More Information
Summary:基于机器学习的功耗分析是目前功耗分析的主要研究方向之一, 属于建模类的攻击. 针对无掩码防护的AES算法实现, 本文将半监督机器学习算法 Tri-Training应用于功耗分析, 有效减少了用机器学习算法进行建模时所需要的有标记能量迹数量. 相较于基于有监督机器学习的建模类功耗分析, 使用Tri-Training算法可以有效减小对有标记能量迹的需求, 更具有现实意义. 然而, Tri-Training算法在初始分类器较弱时, 容易出现错误标记现象, 影响分类的准确率和建模的效率. 对此本文在使用Tri-Training算法进行建模时引入了阈值判断操作, 提高了分类的准确率, 并对比了不同阈值对分类准确率的影响. 本文对在ATM89S52单片机上实现的AES-128算法进行建模类功耗分析, 实验结果表明, 在使用80条有标记能量迹时, 相较于使用有监督学习算法的准确率为63.49%, 本方法的准确率为74.56%, 准确率提升了约11%.
Bibliography:ObjectType-Article-1
SourceType-Scholarly Journals-1
ObjectType-Feature-2
content type line 14
ISSN:2097-4116
DOI:10.13868/j.cnki.jcr.000467