典型文献
一种基于自注意力机制的深度学习侧信道攻击方法
文献摘要：
深度学习可以自由地提取组合特征,基于深度学习的侧信道攻击方法避免了选取兴趣点和对齐等预处理操作,促使越来越多的研究者使用深度学习实施侧信道攻击.目前基于深度学习的侧信道攻击模型使用多层感知机网络、卷积神经网络和循环神经网络,在训练时存在快速过拟合、梯度消失和收敛速度慢等问题.自注意力机制在自然语言处理、计算机视觉等领域表现出强大的特征提取能力.深入剖析自注意力机制的原理后,根据基于深度学习的侧信道攻击特质,提出了基于自注意力机制的深度学习侧信道攻击模型SADLSCA,使自注意力机制适用于深度学习侧信道攻击领域.SADLSCA充分地发挥自注意力机制以全局视角提取兴趣点的优点,解决了基于深度学习的侧信道攻击模型在训练时存在的快速过拟合、梯度消失和收敛速度慢等问题,并通过实验验证了在公开数据集ASCAD和CHES CTF 2018上攻击成功所需要的能量迹数量分别减少了 23.1％和41.7％.
文献关键词：
深度学习;侧信道攻击;自注意力机制;神经网络;建模攻击
中图分类号：
作者姓名：
周梓馨;张功萱;寇小勇;杨威
作者机构：
南京理工大学计算机科学与工程学院 南京 210094
文献出处：
引用格式：
[1]周梓馨;张功萱;寇小勇;杨威-.一种基于自注意力机制的深度学习侧信道攻击方法)[J].信息安全研究,2022(08):812-824
A类：
SADLSCA,ASCAD
B类：
自注意力机制,侧信道攻击,攻击方法,组合特征,兴趣点,对齐,使用深度,攻击模型,模型使用,多层感知机网络,循环神经网络,过拟合,梯度消失,收敛速度,速度慢,自然语言处理,计算机视觉,特征提取能力,公开数据集,CHES,CTF,上攻,能量迹,建模攻击
AB值：
0.202769
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
