基于流形学习能量数据预处理的模板攻击优化方法

发布时间：2022-01-04 15:26

　　能量数据作为模板攻击过程中的关键对象,具有维度高、有效维度少、不对齐的特点,在进行有效的预处理之前,模板攻击难以奏效。针对能量数据的特性,该文提出一种基于流形学习思想进行整体对齐的方法,以保留能量数据的变化特征,随后通过线性投影的方法降低数据的维度。使用该方法在Panda 2018 challenge1标准数据集进行了验证,实验结果表明,该方法的特征提取效果优于传统的PCA和LDA方法,能大幅度提高模板攻击的成功率。最后采用模板攻击恢复密钥,仅使用两条能量迹密钥恢复成功率即可达到80%以上。 

【文章来源】：电子与信息学报. 2020,42(08)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

PANDA 2018 Challenge1前3条能量迹

PCA和LDA是广泛应用于机器学习的数据预处理方法，与机器学习经常处理的其他数据不同，能量数据的有效维度如图2所示，其占比少于5%，而其他的数据如人脸识别、医疗、生物等数据的有效维度占比达70%以上。也就是说，对能量数据进行PCA和LDA时，能量数据中的大多数维度作为噪声分量，因为同样具有明显的特征，也被保留下来。当使用PCA和LDA算法，提取能量数据中的特征向量时，也会因噪声分量过大而影响密钥恢复的效率。3 基于流形学习与线性降维的预处理方法改进

使用改进后的方法进行预处理后的数据，相比于目前常用的PCA和LDA，如图4(b)所示，相较图5(b)和5(d)，具有更为良好的类内一致性，而如图4(a)所示，相较于图5(a)和5(c)，具备较高的类间差异性，表明本文提出的预处理方法的优越性。图4 PANDA 2018 Challenge1能量迹降维后

【参考文献】：
期刊论文
[1]对加掩加密算法的盲掩码模板攻击[J]. 王燚,吴震,蔺冰.  通信学报. 2019(01)
[2]基于随机加法链的高级加密标准抗侧信道攻击对策[J]. 黄海,冯新新,刘红雨,厚娇,赵玉迎,尹莉莉,姜久兴.  电子与信息学报. 2019(02)



本文编号：3568590