.png){kind=icon}
返回
Side-Channel Profiling Attack Based on CNNs' Backbone Structure Variant
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14102006.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文聚焦于基于深度学习方法的侧信道分析，梳理两种骨干网络变体（CNNs和transformers）的发展路径。结合参数化与定量结构分析，建议在延续CNN变体的结构上进行改进研究。首先，将进行Zaid的Efficient CNN与Wouters的Simplified Efficient CNN的对比复现；其次，基于残差结构及改进的特征编码CNN设计并实现ResNet；最后，采用DPA_contest v4.1、AES_RD、AES_HD和ASCAD公开数据集中的四种方法进行广泛分析实验，探究三种尺度下六种预处理方法的效果，并进一步探索数据增强（通过数据集噪声、偏移和幅度缩放）的影响。实验结果表明，基于残差结构的ResNet及本文提出的编码特征CNN较先前方法展现出更优的性能优势。针对每个数据集优选预处理方法可进一步降低平均排名；持续叠加数据增强方法能使模型更易收敛并提升其泛化能力。为推动侧信道分析领域CNNs和transformers变体分支的研究，上述实验所得的模型方法及处理后的数据集已公开发布于GitHub。
Keyword:
side-channel analysis
profiling attacks
deep learning
backbone networks
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
查看更多内容