51、通用侧信道区分器与可篡改和易泄漏内存的密码学研究

通用侧信道区分器与可篡改和易泄漏内存的密码学研究

通用侧信道区分器的改进与局限

通用区分器是评估易泄漏设备的有用工具。在相关研究中,提出了一种全新且高效的通用测试方法,它完全是非参数化的,基于自然的区分标准,并运用了最先进的统计工具。在之前介绍的互信息分析(MIA)相较于其他非轮廓区分器显示出显著优势的所有场景中,这种新测试方法都可能发挥作用。

某些情况下,如在对65nm CMOS 掩码S盒的实验里,该方法能利用泄漏假设,而MIA则无法做到。不过,这些实验结果能否得到正式确认仍是一个开放问题,不清楚它们是由于已识别的局限性导致,还是测量误差造成的,随着测量工作的深入,这些误差可能会消失。

通用区分器在侧信道分析中虽有作用,但非轮廓攻击在分区步骤中仍需要合理假设。例如,Schindler等人的随机方法在“即时”应用时,只有在提供有意义的基向量时才有效,而实际攻击者可能很难猜出这些向量。这表明,在缺乏假设的情况下,轮廓侧信道攻击和非轮廓侧信道攻击之间的差距可能很大。

在对易泄漏设备进行安全分析时,需要考虑两个方面:一是最坏情况下的安全性,只能通过轮廓攻击(如使用模板)进行评估,并用量化的信息理论度量;二是不同类型的非轮廓区分器可以通过安全度量进行比较,以衡量它们利用可用信息的效率。通用测试为更具体的(如基于相关性的)统计工具提供了有趣的替代方案,但它们也无法避免模型的不精确性,抵抗此类攻击并不足以证明一个实现是安全的。

从研究中还发现,目前非轮廓攻击的理论极限需要被正确理解。这也为安全实现的设计和分析带来了一些有趣的问题:
- 硬件逻辑风格设计 :文献中公布的非轮廓区分器似乎特别容易受到非线性泄漏

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值