基于半监督学习的AES算法功耗分析

摘要：

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％.

关键词：功耗分析;半监督学习;Tri-Training算法;AES-128算法;能量迹

所属期刊栏目：8

分类号：TN918.1

资助基金：国家自然科学基金;河南省网络密码技术重点实验室开放基金

在线出版日期：2021-09-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：660-668