融合CNN_LSTM的侧信道攻击

TN918.4; 基于深度学习在侧信道攻击中的应用,在Chipwhisperer平台中实现AES算法,在其加密过程中测量相应能量迹,再利用CPA技术分析得出兴趣点位置,并针对兴趣点做出模型训练.在卷积神经网络(CNN),长短时记忆网络(LSTM)和CNN_LSTM混合模型三种网络模型上,结合数据预处理技术训练同步和异步能量迹.实验结果表明三种模型同步状态下的准确率相当,另外在保证模型训练参数不变的情况下逐渐增大异步数据时,三个模型训练集和测试集的准确率都在减少,但新提出的混合模型下降速度变化是最慢的,在实验异步数加大到50时,仍可以保证准确率在90％之上,即几乎一条能量迹就可恢复出正确密钥.所...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 59; no. 6; pp. 268 - 276
Main Authors 彭佩, 张美玲, 郑东
Format Journal Article
LanguageChinese
Published 西安邮电大学 陕西省无线网络安全技术国家工程实验室,西安 710121 15.03.2023
西安邮电大学 网络空间安全学院,西安 710121
Subjects
高级加密标准(AES)
卷积神经网络
侧信道攻击
长短时网络
深度学习
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2111-0511

Cover

More Information
Summary:TN918.4; 基于深度学习在侧信道攻击中的应用,在Chipwhisperer平台中实现AES算法,在其加密过程中测量相应能量迹,再利用CPA技术分析得出兴趣点位置,并针对兴趣点做出模型训练.在卷积神经网络(CNN),长短时记忆网络(LSTM)和CNN_LSTM混合模型三种网络模型上,结合数据预处理技术训练同步和异步能量迹.实验结果表明三种模型同步状态下的准确率相当,另外在保证模型训练参数不变的情况下逐渐增大异步数据时,三个模型训练集和测试集的准确率都在减少,但新提出的混合模型下降速度变化是最慢的,在实验异步数加大到50时,仍可以保证准确率在90％之上,即几乎一条能量迹就可恢复出正确密钥.所以,CNN_LSTM模型可以更好地适应能量迹发生异步的情况.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2111-0511