一种选择输入的水平能量分析卷积神经网络的方法及应用

1.本发明是关于人工智能技术领域，特别是关于一种选择输入的水平能量分析卷积神经网络的方法及应用。


背景技术：

2.近年来人工智能技术的飞速发展为人类社会带来了深刻改变并渐渐成为许多行业的主流，大量的应用实例证明了其在安全应用下的有效性。人们受对动物视觉皮层生物过程的研究启发，从而提出卷积神经网络，卷积神经网络模型是一种常用的神经网络模型，常用于图像识别、自然语言学习、运动分析等方向。从计算的角度来看，卷积神经网络和普通的神经网络并没有太大的区别，它是由许多层组成，每一层都是由神经元组成矩阵。卷积神经网络主要使用三种层次：卷积层、池化层和全连接层。
3.物联网已然成为当今信息技术的重要组成部分，大量应用人工智能的物联网边缘设备投入使用，它们大多采用云数据处理的方法，边缘设备将采集到的数据上传到云端，数据在云端服务器上处理，然后将反馈结果返回到边缘设备。这种方法不适合具有实时响应要求的设备，存在应用场景需要在嵌入式设备中直接部署人工智能应用，因此在微处理器上处理机器学习算法成为一种技术上的必要。
4.cmsis-nn是解决方案之一。cmsis-nn软件库是为将机器学习应用于armcortex-m系列处理器核心而开发的一种高效的内核。这个库包含许多函数，每个函数都包含一个特定的类别：卷积函数、激活函数、全连接层函数、池化函数、svdf层函数、softmax函数、基础数学函数，使得我们可以在armcortex-m处理器上实现性能最高、内存占用最小的神经网络应用。
5.卷积神经网络模型参数极具价值，物联网边缘设备部署环境复杂，常常处于无人值守的状态下，容易受到侧信道分析的威胁，嵌入式设备实现人工智能应用的安全隐患也逐渐暴露出来。随着对嵌入式实现神经网络的侧信道安全问题的持续关注，在这样的背景下，许多针对神经网络的侧信道分析方法的出现，不少工作利用硬件设备的侧信道信息对神经网络进行分析。其中包括利用时间、声音、电磁辐射、功耗等信息的传统侧信道分析；利用缓存、内存访问等信息的软件侧信道分析。例如，针对部署在卷积神经网络加速器上的alexnet和squeezenet，可以利用神经网络模型执行过程中的动态剪枝期间芯片访存产生的时延信息对神经网络做侧信道分析。这种方法依赖神经网络执行过程中动态剪枝技术特殊的内存访问模式，由于在卷积神经网络在执行激活函数后会产生大量的零值，卷积神经网络加速器只读写非零值，可利用在不同输入下产生的零值数量不同导致的访存的时延信息差异逆向出神经网络的结构和参数信息。
6.此外，针对cmsis-nn实现的卷积神经网络，可以利用电磁辐射信息，对神经网络实施相关性能量分析，以输入数据与权重数据的乘法结果为中间值数据，用中间值数据汉明重量与电磁信息进行相关性计算，从而逆向出神经网络的参数。除了对神经网络内部信息的侧信道分析，同时还有以神经网络输入信息为攻击目标的侧信道分析方法。在神经网络
模型的内部信息已知的情况下，利用电磁辐射信息，利用输入数据与不同权重数据的乘法结果，可通过水平能量分析，逆向出神经网络的输入数据集。
7.综上，如何利用侧信道信息对神经网络进行侧信道分析，对嵌入式设备实现的神经网络模型内部信息的安全性验证仍具有重要意义。


技术实现要素：

8.本发明的目的在于提供一种选择输入的水平能量分析卷积神经网络的方法及应用，用以解决现有技术中对神经网络的权重参数进行侧信道分析时由于将所有输入数据均输入到神经网络模型中导致其运算功耗量大、以及权重参数分析准确率低等技术问题。
9.为实现上述目的，本发明的实施例提供了一种选择输入的水平能量分析卷积神经网络的方法，所述方法包括：
10.基于多个待分析的目标参数在卷积神经网络模型中的位置，选择与多个待分析的所述目标参数相对应的多个输入数据，并输入所述卷积神经网络模型；
11.基于所述卷积神经网络模型执行多个待分析的所述目标参数与多个所述输入数据的运算结果所产生的功耗构建第一能量消耗矩阵；
12.设置每个待分析的所述目标参数的所有候选值，并基于所有所述候选值与多个所述输入数据的运算结果构建第二能量消耗矩阵；
13.计算所述第一能量消耗矩阵与所述第二能量消耗矩阵之间的相关性，以得到每个待分析的所述目标参数的所有候选值的相关性系数，选择相关性系数最大的候选值作为待分析的所述目标参数的分析结果。
14.在本发明的一个或多个实施方式中，所述基于多个待分析的目标参数在卷积神经网络模型中的位置，选择与多个待分析的所述目标参数相对应的多个输入数据，并输入所述卷积神经网络模型，包括：
15.将与多个待分析的所述目标参数参与乘法运算的所述输入数据设为非零值，其余数据置零。
16.在本发明的一个或多个实施方式中，所述基于所述卷积神经网络模型执行多个待分析的所述目标参数与多个所述输入数据的运算结果所产生的功耗构建第一能量消耗矩阵，包括：
17.将多个待分析的所述目标参数与多个所述输入数据进行乘法运算得到多个第一中间值数据，并将多个所述第一中间值数据输入所述卷积神经网络模型；
18.将所述卷积神经网络模型执行多个所述第一中间值数据所产生的功耗曲线进行分割，以得到多个功耗曲线段；
19.筛选出所有待分析的所述目标参数参与运算的功耗曲线段，并构建第一能量消耗矩阵。
20.在本发明的一个或多个实施方式中，所述将所述卷积神经网络模型执行多个所述第一中间值数据所产生的功耗曲线进行分割，以得到多个功耗曲线段，包括：
21.依据所述卷积神经网络模型的卷积操作特点，获取所述卷积神经网络模型执行多个所述第一中间值数据所产生的功耗，并得到多条待分析的所述目标参数参与运算的功耗曲线；
22.根据每个待分析的所述目标参数参与运算的位置，确定每个待分析的所述目标参数对应在所述功耗曲线上的范围；
23.按照每个待分析的所述目标参数对应在所述功耗曲线上的范围，将多条所述功耗曲线分别分割成多个功耗曲线段。
24.在本发明的一个或多个实施方式中，所述设置每个待分析的所述目标参数的所有候选值，并基于所有所述候选值与多个所述输入数据的运算结果构建第二能量消耗矩阵，包括：
25.分别将每个待分析的所述目标参数的所有候选值与多个所述输入数据进行乘法运算得到多个第二中间值数据，并将多个所述第二中间值数据构建为模拟中间值矩阵；
26.采用汉明重量模型将所述模拟中间值矩阵映射得到第二能量消耗矩阵。
27.在本发明的一个或多个实施方式中，所述计算所述第一能量消耗矩阵与所述第二能量消耗矩阵之间的相关性，以得到每个待分析的所述目标参数的所有候选值的相关性系数，包括：
28.采用pearson相关性系数计算公式计算所述第一能量消耗矩阵与所述第二能量消耗矩阵之间的相关性，得到每个待分析的所述目标参数的所有候选值的相关性系数。
29.在本发明的一个或多个实施方式中，所述卷积神经网络模型为基于cmsis-nn模型部署在armcortex-m3硬件平台上的卷积神经网络模型，且所述卷积神经网络模型包含依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层以及全连接层；
30.和/或，所述输入数据为cifar-10数据集中的数据。
31.在本发明的另一个方面当中，还提供了一种选择输入的水平能量分析卷积神经网络系统，所述系统包括：
32.选择模块，用于基于多个待分析的目标参数在卷积神经网络模型中的位置，选择与多个待分析的所述目标参数相对应的多个输入数据，并输入所述卷积神经网络模型；
33.第一构建模块，用于基于所述卷积神经网络模型执行多个待分析的所述目标参数与多个所述输入数据的运算结果所产生的功耗构建第一能量消耗矩阵；
34.第二构建模块，用于设置每个待分析的所述目标参数的所有候选值，并基于所有所述候选值与多个所述输入数据的运算结果构建第二能量消耗矩阵；
35.计算模块，用于计算所述第一能量消耗矩阵与所述第二能量消耗矩阵之间的相关性，以得到每个待分析的所述目标参数的所有候选值的相关性系数，选择相关性系数最大的候选值作为待分析的所述目标参数的分析结果。
36.在本发明的一个或多个实施方式中，所述选择模块还用于：将与多个待分析的所述目标参数参与乘法运算的所述输入数据设为非零值，其余数据置零。
37.在本发明的一个或多个实施方式中，所述第一构建模块还用于：将多个待分析的所述目标参数与多个所述输入数据进行乘法运算得到多个第一中间值数据，并将多个所述第一中间值数据输入所述卷积神经网络模型；
38.将所述卷积神经网络模型执行多个所述第一中间值数据所产生的功耗曲线进行分割，以得到多个功耗曲线段；
39.筛选出所有待分析的所述目标参数参与运算的功耗曲线段，并构建第一能量消耗
矩阵。
40.在本发明的一个或多个实施方式中，所述第一构建模块还用于：获取所述卷积神经网络模型执行多个所述第一中间值数据所产生的功耗，并得到多条待分析的所述目标参数参与运算的功耗曲线；
41.根据每个待分析的所述目标参数参与运算的位置，确定每个待分析的所述目标参数对应在所述功耗曲线上的范围；
42.按照每个待分析的所述目标参数对应在所述功耗曲线上的范围，将多条所述功耗曲线分别分割成多个功耗曲线段。
43.在本发明的一个或多个实施方式中，所述第二构建模块还用于：分别将每个待分析的所述目标参数的所有候选值与多个所述输入数据进行乘法运算得到多个第二中间值数据，并将多个所述第二中间值数据构建为模拟中间值矩阵；
44.采用汉明重量模型将所述模拟中间值矩阵映射得到第二能量消耗矩阵。
45.在本发明的一个或多个实施方式中，所述计算模块还用于：采用pearson相关性系数计算公式计算所述第一能量消耗矩阵与所述第二能量消耗矩阵之间的相关性，得到每个待分析的所述目标参数的所有候选值的相关性系数。
46.在本发明的另一个方面当中，还提供了一种电子设备，所述电子设备包括：
47.至少一个处理器；
48.以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的选择输入的水平能量分析卷积神经网络的方法。
49.在本发明的另一个方面当中，还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的选择输入的水平能量分析卷积神经网络的方法。
50.与现有技术相比，根据本发明实施方式的选择输入的水平能量分析卷积神经网络的方法及应用，采用选择输入数据的方式对卷积神经网络模型的权重参数进行侧信道分析，减少卷积神经网络模型执行所需的功耗曲线量，同时，减少或消除在分析过程中卷积神经网络模型的各个权重参数之间的关联性，从而改善了因参数错误传递导致分析准确低的问题，有效提高了分析准确率。
附图说明
51.图1是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法的流程图；
52.图2是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法的原理框图；
53.图3是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法的卷积神经网络模型的结构示意图；
54.图4是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法的卷积神经网络模型中卷积核的累加乘过程图；
55.图5是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法的卷积神经网络模型的第一卷积层输入数据示例图；
56.图6是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法的卷积神经网络模型的第一卷积层的中间值数据示例图；
57.图7是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法的卷积神经网络模型的第二卷积层输入数据示例图；
58.图8是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法的卷积神经网络模型的第三卷积层输入数据示例图；
59.图9是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法中构建第一能量消耗矩阵的示意图；
60.图10是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法中第一能量消耗矩阵与模拟中间值矩阵的对应关系图；
61.图11是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的方法中第一能量消耗矩阵与第二能量消耗矩阵相关性计算示意图；
62.图12是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的系统结构示意图；
63.图13是根据本发明一实施方式的选择输入的水平能量分析卷积神经网络的电子设备的硬件结构图。
具体实施方式
64.下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
65.除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
66.参图2，本发明提出的选择输入的水平能量分析卷积神经网络的方法是针对神经网络的侧信道分析方法，目标模型可以为基于cmsis-nn模型部署在armcortex-m3硬件平台上的卷积神经网络模型，该卷积神经网络模型包含依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层以及全连接层，共7层组成，主要用于图片分类，其输入数据可以为cifar-10数据集中的已知数据。
67.以下结合附图，详细说明本发明各实施例提供的技术方案。
68.参图1，介绍本发明选择输入的水平能量分析卷积神经网络的方法的一实施方式。本实施方式中，该方法包括如下步骤。
69.s101，基于多个待分析的目标参数在卷积神经网络模型中的位置，选择与多个待分析的所述目标参数相对应的多个输入数据，并输入所述卷积神经网络模型。
70.在本发明的一个或多个实施例中，待分析的目标参数为卷积神经网络模型的权重参数w，设置初始时该卷积神经网络模型中包含有800个具有关联性的权重参数w，这些权重参数w分别在卷积神经网络模型中的不同网络层中。根据每个权重参数w在卷积神经网络模型中的位置，从cifar-10数据集中选择相对应的输入数据x，并输入卷积神经网络模型。
71.在卷积神经网络模型中，每一层卷积层的卷积核按相应的步长在其输入数据x上滑动，每滑动一次，便进行一次卷积操作，最终生成一个输出数据。如图4所示，在一次卷积
操作中，卷积层的卷积核与该卷积层输入的多个输入数据x进行累加乘操作，相应的，该卷积层中的权重参数w同样会与对应的输入数据x进行一次乘法运算，并累加初始值后返回。
72.基于上述运算特点，在选择输入数据x时，将与多个待分析的所述目标参数参与乘法运算的所述输入数据设为非零值，其余数据置零。
73.示范性地，参图3，假设该卷积神经网络的第一卷积层的输入数据的大小为32*32*3，输出数据的大小是32*32*32，卷积核的大小为5*5*3。选择卷积核在对应的输入数据x上滑动5次所产生的乘法结果为中间值数据。第一层的卷积核由32个5*5*3的卷积核组成，每个5*5*3的卷积核与对应区域内的多个输入数据x做相同运算。当待分析的目标参数为第一卷积层中第一个权重参数w1时，对应的输入数据x如图5所示，即在一个卷积核运算范围内，将与目标参数w1对应位置的输入数据x1、x2…
xn均设置为非零值，其余输入数据均设置为零值，运算得到中间值数据如图6所示。
74.同理，当待分析的目标参数为w2时，则将与目标参数w2对应位置的输入数据x均设置为非零值，其余数据置零。以此类推第一卷积层中后面的权重参数对应的输入数据。
75.对于卷积神经网络的第二卷积层，假设其输入数据的大小是16*16*32，输出数据的大小是16*16*16，卷积核大小为5*5*32*16。第二卷积层中每32个权重参数之间具有关联性。同样选择卷积核在对应的输入数据x上滑动5次所产生的乘法结果为中间值数据。将每个5*5*32*16的卷积核与对应区域内的多个输入数据x做相同运算。同样，当待分析的目标参数为第二卷积层中第一个权重参数时，对应的输入数据x如图7所示，将与该权重参数对应位置的输入数据x均设置为非零值，其余数据置零。以此类推第二卷积层中后面的权重参数对应的输入数据。
76.对于卷积神经网络的第三卷积层，假设其输入数据和输出数据的大小均是8*8*16，卷积核大小为5*5*16*32。第三卷积层中每16个权重参数之间具有关联性。同样选择卷积核在对应的输入数据x上滑动5次所产生的乘法结果为中间值数据。将每个5*5*16*32的卷积核与对应区域内的多个输入数据x做相同运算。当待分析的目标参数为第三卷积层中第一个权重参数时，对应的输入数据x如图8所示，将与该权重参数对应位置的输入数据x均设置为非零值，其余数据置零。以此类推第三卷积层中后面的权重参数对应的输入数据。
77.s102，基于所述卷积神经网络模型执行多个待分析的所述目标参数与多个所述输入数据的运算结果所产生的功耗构建第一能量消耗矩阵。
78.在本发明的一个或多个实施例中，以权重参数w与多个输入数据x的乘法运算过程为攻击目标。在卷积神经网络模型的一次运行中，一个权重参数w会与多个不同的输入数据x进行乘法操作。将多个待分析的权重参数w与多个输入数据x进行乘法操作得到多个第一中间值数据f(x,w)，并将多个第一中间值数据f(x,w)输入卷积神经网络模型。该第一中间值数据f(x,w)包括上述卷积核在对应的输入数据x上滑动5次所产生的乘法结果。
79.将卷积神经网络模型执行多个第一中间值数据f(x,w)所产生的功耗曲线进行分割，得到多个功耗曲线段。具体地，依据卷积神经网络模型在一次运行中，一个权重参数w会与多个不同的输入数据x进行乘法操作的这一特点，获取卷积神经网络模型执行多个第一中间值数据f(x,e)所产生的功耗，从而对应多个不同的输入数据x，得到多条功耗曲线。每条功耗曲线均有权重参数w参与运算。
80.参图9，根据权重参数w与多个输入数据x进行乘法操作的位置，确定该权重参数w
对应在每条功耗曲线上的范围，然后按照其所对应的范围，将多条功耗曲线分别分割成多个功耗曲线段。每个功耗曲线段所包含的信息是权重参数w与多个输入数据x进行一次乘法操作所对应的功耗信息。最后筛选出所有权重参数w参与乘法运算的功耗曲线段，并构建第一能量消耗矩阵t，t＝[p
1 p2ꢀ…ꢀ
pn]，其中，p表示权重参数w与输入数据x进行一次乘法操作对应的功耗曲线段。该第一能量消耗矩阵t是卷积神经网络模型执行所有待分析的目标参数与多个输入数据的乘法运算结果所产生的实际功耗。
[0081]
实际操作中，在乘法操作运行前，给开发板一个上升沿电压，在乘法操作结束时，给开发板一个下降沿电压。所有的高电压范围内的功耗曲线段均是目标参数与多个输入数据进行一次乘法操作所对应的功耗信息。所有目标参数参与的乘法操作对应的功耗曲线段会按乘法操作执行的顺序依次排列。根据非零值输入数据与目标参数执行乘法操作的次序，在所有的对应乘法操作的功耗曲线段中找到相应的功耗曲线段并按顺序保存。这些功耗曲线段是根据参与运算的多个输入数据确定的曲线段，将这些功耗曲线段构建为第一能量消耗矩阵t，该第一能量消耗矩阵t的行向量为分割出的功耗曲线段，将参与后续相关性计算。
[0082]
s103，设置每个待分析的所述目标参数的所有候选值，并基于所有所述候选值与多个所述输入数据的运算结果构建第二能量消耗矩阵。
[0083]
具体地，首先设置卷积神经网络模型中每个权重参数w的所有候选值，输入数据x是已知的非常量数据。分别将每个权重参数w的所有候选值与多个不同的输入数据x进行乘法运算，得到多个第二中间值数据f(xn,wk)，其中，n、k均为大于零的整数，n表示输入数据x的个数，k表示每个权重参数w的所有候选值的个数。
[0084]
如图10所示，将上述多个第二中间值数据f(xn,wk)构建为模拟中间值矩阵v＝[α
1 α2ꢀ…ꢀ
αk]，其中，α表示权重参数w的每个候选值与多个输入数据x进行一次乘法操作得到的结果。模拟中间值矩阵v的列向量与第一能量消耗矩阵t的行向量相对应。
[0085]
参图11，可采用汉明重量模型将模拟中间值矩阵v中的中间值数据映射为模拟能量消耗值，从而将模拟中间值矩阵v映射得到第二能量消耗矩阵h＝[h
1 h2ꢀ…ꢀhk
]，其中，h表示权重参数w的每个候选值与多个输入数据x进行一次乘法操作对应的模拟功耗。该第二能量消耗矩阵h是所有待分析的目标参数与多个输入数据的乘法运算结果所产生的模拟功耗。
[0086]
s104，计算所述第一能量消耗矩阵与所述第二能量消耗矩阵之间的相关性，以得到每个待分析的所述目标参数的所有候选值的相关性系数。
[0087]
本实施方式中，可采用pearson相关性系数计算公式计算第一能量消耗矩阵t的行向量与第二能量消耗矩阵h的列向量之间的相关性，具体计算公式如下：
[0088][0089]
将第一能量消耗矩阵t中的功耗p与第二能量消耗矩阵h中的汉明重量h均代入上述公式，即得到每个权重参数w的所有候选值w1、w2…
wk所对应的相关性系数ρ，分别为：w1：ρ1(p,h)、w2：ρ2(p,h)
…
wk：ρk(p,h)。
[0090]
比较w1、w2…
wk所对应的相关性系数ρ的大小，权重参数w的正确候选值的相关性系
数远大于其他错误候选值的相关性系数，由此可得，相关性系数最大的候选值即为对应的权重参数w的分析结果。
[0091]
参图12，介绍本发明优选实施方式的选择输入的水平能量分析卷积神经网络系统。
[0092]
在本发明的实施方式中，选择输入的水平能量分析卷积神经网络系统包括选择模块201、第一构建模块202、第二构建模块203和计算模块204。
[0093]
选择模块201，用于基于多个待分析的目标参数在卷积神经网络模型中的位置，选择与多个待分析的所述目标参数相对应的多个输入数据，并输入所述卷积神经网络模型；
[0094]
第一构建模块202，用于基于所述卷积神经网络模型执行多个待分析的所述目标参数与多个所述输入数据的运算结果所产生的功耗构建第一能量消耗矩阵；
[0095]
第二构建模块203，用于设置每个待分析的所述目标参数的所有候选值，并基于所有所述候选值与多个所述输入数据的运算结果构建第二能量消耗矩阵；
[0096]
计算模块204，用于计算所述第一能量消耗矩阵与所述第二能量消耗矩阵之间的相关性，以得到每个待分析的所述目标参数的所有候选值的相关性系数，选择相关性系数最大的候选值作为待分析的所述目标参数的分析结果。
[0097]
选择模块201还用于：将与多个待分析的所述目标参数参与乘法运算的所述输入数据设为非零值，其余数据置零。
[0098]
第一构建模块202还用于：将多个待分析的所述目标参数与多个所述输入数据进行乘法运算得到多个第一中间值数据，并将多个所述第一中间值数据输入所述卷积神经网络模型；
[0099]
将所述卷积神经网络模型执行多个所述第一中间值数据所产生的功耗曲线进行分割，以得到多个功耗曲线段；
[0100]
筛选出所有待分析的所述目标参数参与运算的功耗曲线段，并构建第一能量消耗矩阵。
[0101]
第一构建模块202还用于：获取所述卷积神经网络模型执行多个所述第一中间值数据所产生的功耗，并得到多条待分析的所述目标参数参与运算的功耗曲线；
[0102]
根据每个待分析的所述目标参数参与运算的位置，确定每个待分析的所述目标参数对应在所述功耗曲线上的范围；
[0103]
按照每个待分析的所述目标参数对应在所述功耗曲线上的范围，将多条所述功耗曲线分别分割成多个功耗曲线段。
[0104]
第二构建模块203还用于：分别将每个待分析的所述目标参数的所有候选值与多个所述输入数据进行乘法运算得到多个第二中间值数据，并将多个所述第二中间值数据构建为模拟中间值矩阵；
[0105]
采用汉明重量模型将所述模拟中间值矩阵映射得到第二能量消耗矩阵。
[0106]
计算模块204还用于：采用pearson相关性系数计算公式计算所述第一能量消耗矩阵与所述第二能量消耗矩阵之间的相关性，得到每个待分析的所述目标参数的所有候选值的相关性系数。
[0107]
图13示出了根据本说明书的实施例的用于选择输入的水平能量分析卷积神经网络的电子设备30的硬件结构图。如图13所示，电子设备30可以包括至少一个处理器301、存
储器302(例如非易失性存储器)、内存303和通信接口304，并且至少一个处理器301、存储器302、内存303和通信接口304经由总线305连接在一起。至少一个处理器301执行在存储器302中存储或编码的至少一个计算机可读指令。
[0108]
应该理解，在存储器302中存储的计算机可执行指令当执行时使得至少一个处理器301进行本说明书的各个实施例中以上结合图1-11描述的各种操作和功能。
[0109]
在本说明书的实施例中，电子设备30可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(pda)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。
[0110]
根据一个实施例，提供了一种比如计算机可读存储介质的程序产品。计算机可读存储介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被计算机执行时，使得计算机执行本说明书的各个实施例中以上结合图1-11描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
[0111]
根据本发明实施方式的选择输入的水平能量分析卷积神经网络的方法及应用，其采用选择输入数据的方式对卷积神经网络模型的权重参数进行侧信道分析，减少卷积神经网络模型执行所需的功耗曲线量，同时，减少或消除在分析过程中卷积神经网络模型的各个权重参数之间的关联性，从而改善了因参数错误传递导致分析准确低的问题，有效提高了分析准确率。
[0112]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0113]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0114]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0115]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0116]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。