22、基于深度学习的侧信道分析与手势认证研究

基于深度学习的侧信道分析与手势认证研究

1. 基于随机密钥的ASCAD数据集实验

在对ASCAD随机密钥数据集的研究中，我们对不同数量的分析轨迹（60,000、100,000和200,000）在六种不同的基线模型（MLP4、MLP6、MLP8、CNN3、CNN4和CNN4 - 2）上应用了LTH（Lottery Ticket Hypothesis）过程。
- MLP4模型 ：MLP4是一个具有四个密集层的小模型。当分析轨迹数量较多（超过100,000）时，它足以破解ASCAD数据集。但当分析轨迹数量减少到60,000时，经过300个周期训练的基线模型由于过拟合，猜测熵结果变差。而对MLP4基线模型应用LTH过程，即使分析轨迹数量减少，也能取得良好结果。即使只修剪1%的权重，也能对模型进行正则化，从而获得成功的攻击结果，且修剪后的模型训练周期减少，也降低了过拟合。
- MLP6和MLP8模型 ：较小的分析集会导致基线模型过拟合，而修剪方法可以轻松解决这个问题。随机初始化的效果总是比LTH初始化差，且由于过程中的随机性，其表现更不规则。在MLP8模型中，修剪后随机初始化的变化非常显著，这证实了LTH在分析SCA（Side - Channel Analysis）环境中是有效的。从MLP6模型来看，当使用LTH过程初始化权重时，从基线模型中修剪约90%的权重可实现成功攻击。然而，较大的基线模型在应用LTH过程时往往提供不太成功的结果，因为它们更容易过拟合训练数据。解决这个问题的方法是考虑对基线模型训练进行早停，即在基线模型权重达到最佳训练周期时应用修剪。
- CNN模型 ：所选的CNN