基于多维融合深度学习的密码芯片侧信道分析方法

本发明涉及传输领域，特别涉及基于多维融合深度学习的密码芯片侧信道分析方法。

背景技术：

1、随着物联网终端、嵌入式密码模块、智能边缘设备以及各类安全芯片的广泛部署，密码技术已经成为保障数据安全、身份认证和通信安全的重要基础设施。密码算法在数学层面具有较高的安全强度，但密码设备在实际运行过程中不可避免地会产生功耗、电磁辐射、执行时间以及缓存访问行为等物理信息泄露，从而形成侧信道信息。分析者可通过采集和分析这些侧信道泄露信息，推断密码算法内部中间变量，进而恢复密钥，因此密码设备的物理实现安全性已成为密码工程领域的重要研究方向。

2、侧信道分析技术是一类利用密码设备运行过程中产生的物理泄露信息实施分析的方法。根据分析方法的不同，传统侧信道分析可分为简单功耗分析、差分功耗分析、相关功耗分析和模板分析，这些方法通常依赖于分析者对泄露模型和目标设备特性的先验认知，需要构建特定的统计模型或人工提取特征，分析效果容易受到噪声环境、设备差异以及泄露模型准确性的影响，在复杂场景下往往存在泛化能力不足的问题。

3、随着人工智能技术的发展，深度学习侧信道分析逐渐成为侧信道分析研究的重要方向。深度学习方法能够直接从原始侧信道泄露曲线中自动学习特征表示，无需依赖人工设计特征或精确的泄露模型，从而有效提升分析模型对噪声、时钟抖动以及设备差异的适应能力。目前，卷积神经网络（cnn）、残差网络（resnet）、循环神经网络（rnn）、长短期记忆网络（lstm）以及多层感知机（mlp）等深度学习模型已被广泛应用于aes等密码算法的侧信道分析任务，并取得了较好的密钥恢复效果。

4、然而，现有深度学习侧信道分析方法仍存在一定局限性。首先，许多模型主要关注最终分类准确率或密钥恢复成功率，而较少考虑模型训练效率和建模成本对实际分析场景的影响，当训练样本规模较大或模型结构较深时，往往需要较长的训练时间和较高的计算资源开销。其次，侧信道泄露曲线通常同时包含局部瞬态泄露特征、区间相关特征以及跨采样点组合特征，单一尺度卷积结构难以充分提取不同时间尺度下的有效泄露信息，容易导致部分关键特征被忽略。再次，随着网络深度增加，模型容易出现梯度消失、训练收敛速度下降以及过拟合等问题，从而影响模型的稳定性和分析性能。此外，现有模型对于不同层次特征之间的关联关系挖掘能力有限，难以充分利用多尺度特征之间的互补信息，导致特征表达能力受到限制。

5、因此，亟需一种能够同时利用不同时间尺度泄露特征、增强特征关联表达能力、提高模型训练效率并保持较高密钥恢复精度的密码芯片侧信道分析方法，以解决现有深度学习侧信道分析模型在特征提取能力、训练效率以及分析性能方面存在的不足。

技术实现思路

1、为了解决上述技术问题，本发明提供一种算法简单、准确性高的基于多维融合深度学习的密码芯片侧信道分析方法。

2、本发明解决上述技术问题的技术方案是：基于多维融合深度学习的密码芯片侧信道分析方法，包括以下步骤：

3、步骤1：采集目标密码设备执行密码算法时产生的侧信道泄露曲线，并记录与侧信道泄露曲线对应的明文、密文或运算状态信息，形成侧信道数据集；

4、步骤2：对侧信道数据集进行预处理，然后划分为训练集和测试集；

5、步骤3：构建多维融合卷积残差树突网络；

6、步骤4：利用训练集中的侧信道泄露曲线训练多维融合卷积残差树突网络，使多维融合卷积残差树突网络学习侧信道泄露曲线与密钥相关中间值之间的映射关系；

7、步骤5：将测试集中的侧信道泄露曲线输入训练后的多维融合卷积残差树突网络，获得各密钥候选对应的概率分布，并对多条侧信道泄露曲线的概率结果进行累积排序，以恢复目标密码设备的密钥或输出密钥候选排序结果。

8、上述基于多维融合深度学习的密码芯片侧信道分析方法，所述步骤1中，侧信道泄露曲线通过功耗采集装置、电磁探针或时序测量装置获取；侧信道泄露曲线中包括功耗信号、电磁辐射信号、时钟抖动信号中的至少一种信号。

9、上述基于多维融合深度学习的密码芯片侧信道分析方法，所述步骤2中，预处理包括曲线筛选、时间窗口裁剪和标准化处理；

10、曲线筛选的过程为：剔除采集异常或明显失真的侧信道泄露曲线；

11、时间窗口裁剪的过程为：首先对各侧信道泄露曲线进行时间同步，然后通过信噪比分析方法计算侧信道泄露曲线各采样点的信噪比值，选取信噪比高于预设阈值的采样区域作为兴趣点区域并截取对应采样窗口；

12、标准化处理的过程为：采用均值方差标准化方法对侧信道泄露曲线进行归一化处理。

13、上述基于多维融合深度学习的密码芯片侧信道分析方法，所述步骤2中，预处理后根据密码算法运行过程中的密钥相关中间值构造标签，通过标签实现侧信道泄露信息与密钥信息之间的监督学习映射关系；具体过程为：

14、设第条侧信道泄露曲线对应明文第0字节为，候选密钥字节为，密钥相关中间值表示为：

15、；

16、其中，为第条侧信道泄露曲线在候选密钥字节为时的密钥相关中间值；表示aes s盒变换；表示异或运算；

17、采用身份泄漏模型构造256类标签，因此标签表示为：

18、；

19、其中，为第条侧信道泄露曲线在候选密钥字节为时的标签。

20、上述基于多维融合深度学习的密码芯片侧信道分析方法，所述步骤3中，多维融合卷积残差树突网络包括原始信号输入层、多尺度卷积分支、早期融合层、残差树突网络模块、后期融合层以及分类输出层；

21、多尺度卷积分支包括用于提取局部瞬态泄露特征的小尺度卷积分支以及用于提取跨时间窗口组合泄露特征的大尺度卷积分支，各卷积分支的输出经早期融合层形成统一的泄露特征表示；

22、在早期融合层中，设小尺度卷积分支得到的特征张量分别为，大尺度卷积分支得到的特征张量，则加法融合表示为：

23、；

24、其中，表示加法融合得到的泄露特征表示；

25、减法融合表示为：

26、；

27、其中，表示减法融合得到的泄露特征表示；

28、乘法融合表示为：

29、；

30、其中，表示点乘操作；表示乘法融合得到的泄露特征表示；

31、平均融合表示为：

32、 ；

33、其中，表示平均融合得到的泄露特征表示；

34、四种融合方式选择其中的一种使用。

35、上述基于多维融合深度学习的密码芯片侧信道分析方法，所述步骤3中，残差树突网络模块包括第一残差树突网络、第二残差树突网络、第三残差树突网络、第四残差树突网络；

36、第一残差树突网络中的计算过程表示为：

37、；

38、其中，表示hadamard乘积；表示第一残差树突网络的输出，且作为第二残差树突网络的输入；表示第一残差树突网络的输出的权重矩阵；表示残差树突网络模块的原始输入，即为早期融合层输出的泄露特征表示；

39、第二残差树突网络中的计算过程表示为：

40、；

41、其中，表示第二残差树突网络的输出，且作为第三残差树突网络和第四残差树突网络的输入；表示第二残差树突网络的输出的权重矩阵；

42、第三残差树突网络中的计算过程表示为：

43、；

44、其中，表示第三残差树突网络的输出；表示第三残差树突网络的输出的权重矩阵；

45、第四残差树突网络中的计算过程表示为：

46、；

47、其中，表示第四残差树突网络的输出；表示第四残差树突网络的输出的权重矩阵。

48、上述基于多维融合深度学习的密码芯片侧信道分析方法，所述步骤3中，后期融合层采用加法融合方式对第三残差树突网络和第四残差树突网络的输出进行融合，后期融合层输出特征向量，：将写成向量的形式，得到，表示的是特征向量中的第维特征；

49、分类输出层的输出概率表示为：

50、；

51、其中，表示密钥相关中间值类别编号，表示分类输出层对应第个类别的输出值；表示分类输出层对应第个类别的输出值；表示类别索引，表示第条侧信道泄露曲线属于第c类的预测概率；表示类别总数，与相等。

52、上述基于多维融合深度学习的密码芯片侧信道分析方法，所述步骤4中，训练过程中，多维融合卷积残差树突网络对第条侧信道泄露曲线的真实标签为，训练样本数量为，则训练过程的交叉熵损失函数表示为：

53、；

54、其中，表示交叉熵损失；表示第条侧信道泄露曲线属于的预测概率。

55、上述基于多维融合深度学习的密码芯片侧信道分析方法，所述步骤5中，将测试集中的侧信道泄露曲线输入训练后的多维融合卷积残差树突网络，获得每条侧信道泄露曲线在各密钥相关中间值类别下的概率分布；

56、对于候选密钥字节，依据明文和候选密钥计算对应中间值标签，并累积多条侧信道泄露曲线的对数概率；候选密钥字节的累积对数概率表示为：

57、；

58、其中，表示候选密钥字节的累积对数概率；表示第条侧信道泄露曲线在候选密钥字节下对应的中间值标签；

59、对全部候选密钥计算累积对数概率后，按照数值从高到低排序，排名第一的候选密钥作为恢复结果或作为后续多字节密钥恢复的候选。

60、本发明的有益效果在于：

61、1、本发明通过多尺度卷积分支和多维融合机制，从不同采样尺度提取泄露信号特征，能够同时利用局部泄露变化和跨采样点组合信息，减少单一卷积尺度造成的特征遗漏，提高了侧信道泄露信号特征提取能力。

62、2、本发明引入多维融合卷积残差树突网络，将残差思想与树突式非线性表达相结合，有助于缓解网络加深导致的退化和过拟合问题；实验结果表明，本发明所提出的多维融合卷积残差树突网络相对于现有深度学习侧信道分析模型具有更高的建模效率和更快的训练收敛速度，提高了深度学习侧信道分析模型的训练稳定性和拟合速度。

63、3、本发明利用早期融合与后期融合结合的多维融合机制，并在多种融合方式中选择适于侧信道泄露特征表达的融合组合；实验结果表明，本发明在典型aes侧信道分析数据集上能够获得更高的分析准确率和更优的密钥恢复效果。

64、4、本发明将数据采集、预处理、模型训练、分析推断和密钥评估模块化组织，可输出密钥候选排序、猜测熵和分析成功率等评估结果，适用于密码芯片、嵌入式终端和物联网设备的侧信道安全检测。