基于CNN-MGU的侧信道攻击研究

摘要：

基于深度学习的侧信道攻击对密码算法的安全性具有严重威胁,是学术界研究的热点之一.目前神经网络模型存在准确率低、鲁棒性差、收敛速度慢等问题,针对这些问题,文章结合卷积神经网络(Convolutional Neural Network,CNN)和最小门控单元(Minimal Gated Unit,MGU),提出基于CNN-MGU的神经网络模型.该模型首先通过CNN层提取轨迹上的局部关键信息,然后利用MGU层充分学习局部关键信息在时间上的相互依赖关系恢复密钥,最后在完全同步与非同步的轨迹上对模型的性能进行验证.实验结果表明,与基于CNN、长短期记忆(Long Short-Term Memory,LSTM)网络的攻击方法相比,基于CNN-MGU模型的训练准确率分别提高了约5.6％、3.4％.当数据集中加入的抖动量从0增大至50、100时,基于CNN-MGU的神经网络模型的准确率仍达90％,鲁棒性强、收敛速度快.

关键词：侧信道攻击、深度学习、CNN、MGU

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金61832018

在线出版日期：2022-09-19（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：55-63