典型文献
基于CNN-MGU的侧信道攻击研究
文献摘要：
基于深度学习的侧信道攻击对密码算法的安全性具有严重威胁,是学术界研究的热点之一.目前神经网络模型存在准确率低、鲁棒性差、收敛速度慢等问题,针对这些问题,文章结合卷积神经网络(Convolutional Neural Network,CNN)和最小门控单元(Minimal Gated Unit,MGU),提出基于CNN-MGU的神经网络模型.该模型首先通过CNN层提取轨迹上的局部关键信息,然后利用MGU层充分学习局部关键信息在时间上的相互依赖关系恢复密钥,最后在完全同步与非同步的轨迹上对模型的性能进行验证.实验结果表明,与基于CNN、长短期记忆(Long Short-Term Memory,LSTM)网络的攻击方法相比,基于CNN-MGU模型的训练准确率分别提高了约5.6％、3.4％.当数据集中加入的抖动量从0增大至50、100时,基于CNN-MGU的神经网络模型的准确率仍达90％,鲁棒性强、收敛速度快.
文献关键词：
侧信道攻击;深度学习;CNN;MGU
中图分类号：
作者姓名：
高博;陈琳;严迎建
作者机构：
信息工程大学,郑州 450001;中国人民解放军92957部队,舟山 316000
文献出处：
引用格式：
[1]高博;陈琳;严迎建-.基于CNN-MGU的侧信道攻击研究)[J].信息网络安全,2022(08):55-63
A类：
B类：
MGU,侧信道攻击,密码算法,收敛速度,速度慢,Convolutional,Neural,Network,小门,门控单元,Minimal,Gated,Unit,关键信息,相互依赖,依赖关系,密钥,完全同步,非同步,长短期记忆,Long,Short,Term,Memory,攻击方法,抖动
AB值：
0.330679
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。
