文献类型：期刊文章

作　　者：高博[1,2] 陈琳[1] 严迎建[1]

GAO Bo;CHEN Lin;YAN Yingjian(Information Engineering University,Zhengzhou 450001,China;92957 Troops of PLA,Zhoushan 316000,China)

机构地区：[1]信息工程大学,郑州450001 [2]中国人民解放军92957部队,舟山316000

出　　处：《信息网络安全》

基　　金：国家自然科学基金[61832018]。

年　　份：2022

期　　号：8

起止页码：55-63

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、JST、RCCSE、ZGKJHX、核心刊

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CNNMGU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]