2026-11-09 19:23:02 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

基于集成学习的高效建模侧信道分析

王子瑜
王子瑜

数缘信安社区

2026年11月6日 07:00
北京

去阅读

FRONTIER INSIGHTS

前沿导读

撰文 | 王子瑜

编辑 | 刘梦迪

让多个神经网络协作识别隐藏的密钥线索

一、

背景介绍

密码算法在数学上安全，并不意味着运行它的芯片不会泄露信息。设备执行加密时产生的功耗或电磁信号，可能与内部处理的数据有关。侧信道分析正是利用这些物理信号推断秘密密钥。建模侧信道分析通常分为两个阶段：先在可访问的相似设备上采集能量迹，训练模型学习信号与密码中间值之间的关系；再用模型分析目标设备的能量迹，根据已知明文和模型预测结果推断密钥。

深度学习已经成为这类分析的重要工具，但实际应用仍面临两方面困难。一方面，随机延时、时钟抖动和掩码等防护措施会干扰泄漏特征，使模型难以识别有效信息；另一方面，不同设备的信号特征存在差异，适用于一个数据集的网络结构，换到另一个数据集后未必仍然有效。为每个目标反复寻找最优超参数，往往需要较多时间和计算资源。

已有研究提出用自编码器预处理侧信道信号[1]，也有工作利用集成学习改善模型的泛化能力[2]。Ding等人在IEEE TCAD论文中将这两条思路结合，提出一种辅助建模侧信道分析的高效集成框架[3]，先用卷积自编码器改善受干扰的能量迹，再让多个具有不同结构的神经网络共同判断密钥，并通过“精英投票”进一步提高密钥恢复效率。

二、

基本思想

可以把这套方法理解为一次多人协作的信号判读。原始能量迹像一段含有噪声、节奏发生错位的录音：如果直接交给识别模型，重要线索可能被掩盖。自编码器先学习如何把受干扰信号重构为更接近干净信号的形式；随后，多个神经网络分别提取特征，综合它们的判断，可以降低对某一个网络结构的依赖。整体框架如下图所示。

卷积自编码器与集成学习组成的分析框架

卷积自编码器由编码器和解码器组成。编码器将能量迹压缩为潜在特征，解码器再据此重构能量迹。在本文的去噪任务中，训练输入是受干扰的能量迹，训练目标是对应的干净能量迹。因此，虽然自编码器本身可以不依赖分类标签，这里的去噪训练使用“受干扰—干净”能量迹对，如下图所示。

ASCAD能量迹处理前后的对齐效果

集成学习的作用，则是把多个模型的判断合并起来。论文采用有放回的随机抽样构造训练子集，并在限定搜索空间内随机选择卷积层、通道数、卷积核大小和全连接层等参数。不同训练数据与网络结构带来模型差异，帮助它们学习不同的泄漏特征。不过，集成效果并不天然随模型数量增加而提高：较弱模型的错误预测，也可能拖累整体判断，这正是精英投票要处理的问题。

三、

方法整体流程

第一步，改善能量迹质量。在建模阶段，用受干扰与干净能量迹训练卷积自编码器，再将待分析的受干扰能量迹输入已训练的网络，得到重构结果。实验主要考察去同步干扰的缓解效果，处理后的峰值位置更一致，信噪比也有所提高，有利于后续提取密钥相关信息。

第二步，训练具有差异的分类模型。在多个实验中使用50个随机结构模型，并通过实验比较激活函数。ASCAD实验发现，混用ReLU、ELU、SeLU和Tanh时，集成全部模型反而不如最优单模型；将激活函数固定为ReLU后，集成全部模型表现更好。这说明随机化仍需结合数据特征和基本配置选择，方法减少了寻找单一最优结构的负担，却并未消除所有参数选择。

第三步，把中间值预测转化为候选密钥评分。以AES的一个密钥字节为例，共有256个候选值。将已知明文字节与每个候选密钥异或，并通过S盒计算相应中间值；再依据选定泄漏模型，读取神经网络为该中间值类别给出的概率。随着攻击能量迹增加，累积各模型的对数概率，即可得到每个候选密钥的综合得分。

第四步，执行精英投票。每加入一条攻击能量迹，先更新全部模型对各候选密钥的累计评分，再从当前综合排名中选出前20%的候选密钥，各增加一票。最终按照累计票数排序。这里的“精英”指高分候选密钥，而不是仅保留表现最好的20%模型。能够持续进入高分组的正确候选，将逐步积累票数优势。

与直接比较累计概率相比，这种方法更加关注候选密钥在连续分析过程中是否反复进入高分组；与每次只投给一个候选的多数投票相比，它保留了多个可能正确的候选。在比较了10%至50%的投票阈值，20%至30%附近的猜测熵最低，最终选用20%，如下图所示。

投票阈值对猜测熵的影响

四、

实验结果

论文在ASCAD、Trace-AES-mask和Trace-Sakura-G三组数据集上验证方法，覆盖软件与FPGA实现。评价指标为猜测熵（Guessing Entropy，GE），即正确候选密钥在排序中的平均名次，采用从0开始的排名。GE越低，说明正确候选越靠前；当GE稳定为0时，判断密钥恢复成功。下文所述能量迹数量是攻击阶段用于恢复被分析密钥字节的数量，不包含前期训练所需的大量样本。

ASCAD实验使用最大错位50个采样点的ASCAD-desync50数据。自编码器以10000组干净与受干扰能量迹训练，每条能量迹包含700个兴趣点。下图中，普通集成框架约需260条攻击能量迹使GE稳定为0；在投票方式对比实验中，精英投票约需40条，相比约260条的模型平均投票减少约85%。多数投票在该设置下未能成功恢复目标密钥字节。

ASCAD数据集上不同投票方法的效果

Trace-AES-mask来自带掩码防护的32位STM微控制器AES实现。实验额外加入最大100个采样点的随机去同步干扰，并从能量迹中选取1000个兴趣点。自编码器处理后，信噪比峰值约为0.025，高于受去同步干扰的信号，但仍低于原始对齐信号约0.052的峰值。

在该数据集的投票方式对比实验中，如下图所示，精英投票约需67条攻击能量迹使GE降至0，模型平均及加权模型平均投票约需450条，多数投票在500条以内仍未成功。相较约450条的平均投票，精英投票所需数量减少约85%。该结果也说明，在普通集成可能受较弱模型影响时，改变候选密钥的融合方式可以改善表现。

Trace-AES-mask数据集上不同投票方法的效果

Trace-Sakura-G数据来自运行AES的Sakura-G FPGA板，包含20000条能量迹，实验选取600个兴趣点进行分析。如下图，普通集成框架约需21条攻击能量迹恢复目标密钥字节；在投票方式对比实验中，精英投票仅需约4条，优于约10条的模型平均投票、约18条的加权平均投票和约50条的多数投票。

Trace-Sakura-G数据集上不同投票方法的效果

五、

结论

这项工作的主要价值，是将能量迹预处理、模型集成和候选密钥投票组合为一套分析流程。自编码器缓解去同步干扰，多个结构不同的模型降低对单一网络的依赖，精英投票则利用高分候选的持续出现来改善密钥排名。三组实验说明，网络结构之外，如何综合模型判断同样会显著影响侧信道分析效率。

对于具备相似建模设备、已知明文和适当参考训练数据的研究人员，这一框架可用于评估带去同步等防护实现的泄漏风险。其效果仍取决于训练数据质量、兴趣点选择、激活函数、模型差异和投票阈值。实际使用时，应针对目标实现验证这些配置，并以独立攻击数据检查密钥排名的稳定性；本文结果不能直接推广为对所有掩码、随机延时或时钟抖动防护的普遍突破。

参考资料

[1] Wu L, Picek S. Remove Some Noise: On Pre-processing of Side-channel Measurements with Autoencoders[J]. IACR Transactions on Cryptographic Hardware and Embedded Systems, 2020: 389-415.

[2] Perin G, Chmielewski Ł, Picek S. Strength in Numbers: Improving Generalization with Ensembles in Machine Learning-based Profiled Side-channel Analysis[J]. IACR Transactions on Cryptographic Hardware and Embedded Systems, 2020: 337-364.

[3] Ding Y, Zhang Y, Wang A, Sun S, Wei C, Zhu L. An Efficient Ensemble Framework to Assist Profiled Side-Channel Analysis by Machine Learning[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2025. DOI: 10.1109/TCAD.2025.3580344.