本发明涉及侧信道攻击领域，尤其涉及一种基于域对抗神经网络的侧信道攻击方法。
背景技术：
1、侧信道攻击是一种在密码学领域中广泛研究的攻击方式，通过分析目标设备的功耗、电磁辐射等物理信息，来获取目标设备的加密密钥等敏感信息。随着深度学习等人工智能领域技术的高速发展，基于深度学习的侧信道攻击方法表现出了强大的攻击能力，成为目前侧信道攻击领域的研究重点。maghrebi等人的论文“breaking cryptographicimplementations using deep learning techniques”于2016年首次完成基于深度学习的侧信道攻击并验证了该方法的有效性和极大的研究潜力。2020年，论文“deep learningfor side-channel analysis and introduction to ascad database”证明深度学习可以实现处理高维输入，并能够一定程度上消除加密算法掩蔽策略对破解真实密钥的影响。论文“leveraging deep cnn and transfer learning for side-channel attack”已证实，使用卷积神经网络对侧信道信息进行分析效果优于其他神经网络结构。
2、基于深度学习的侧信道攻击最新研究“transca:cross-family profiled side-channel attacks using transfer learning on deep neural networks”显示，迁移学习可能是一种可行的方法，可以将从分析设备学习到的知识转移到目标设备。然而，他们的重点是减少分析跟踪的数量。此外，他们仍然使用从目标域获得的已标记的数据，从攻击者的角度来看，这并不是一个实际跨域攻击的场景。
技术实现思路
1、本发明专利提出了一种基于域对抗网络的侧信道攻击方法，该方法利用域对抗网络的领域自适应特性，将源域和目标域的差异抵消，从而提高了攻击的效果；并且不需要目标域数据的标签信息，更加贴合实际攻击场景，增强了侧信道攻击能力。
2、我们提出的dann-sca框架如图2所示，这个框架包括一个共享的特征提取器和两个分支，一个用于预测标签，称为标签预测器，另一个用于区分数据来源，称为域判别器。首先，特征提取器将源域和目标域输入数据映射到一个共同的特征空间。在标签预测器中，提取到的关键特征被送入全连接神经网络用于进行分类。在域判别器中，提取到的关键特征被送入全连接神经网络用于预测域标签(0表示源域，1表示目标域)。在训练期间，通过对抗训练来优化特征提取器和分类器，使得分类器在不同领域之间具有较好的泛化能力。
3、dann-sca包括三个主要组件：特征提取器，标签预测器和域判别器。特征提取器是一个常规的深度神经网络，它被用来提取输入数据的特征。标签预测器是一个用于分类的神经网络，它使用从特征提取网络中提取的特征，将数据分配到预定义的类别中。域判别器是一个二元分类器，用于确定输入数据是来自源域还是目标域。下面分别介绍这三个组件：
4、1)特征提取器是整个dann-sca中最重要的组件之一，它通过学习提取数据的共同特征来完成域适应。该网络接受源域和目标域的数据作为输入，经过多个层级的非线性变换和激活函数，提取数据的共同特征。该特征提取过程通过对抗训练过程中的域判别器进行反向传播，使得提取的特征在源域和目标域之间没有明显的差异，从而实现域适应。
5、2)标签预测器是用于预测输入数据标签的组件，其目标是在最小化分类误差的同时，不影响特征提取网络的域适应能力。标签分类器通常是一个标准的神经网络分类器，例如卷积神经网络(convolutional neural network，cnn)或多层感知机(multilayerperceptron，mlp)。与传统的分类器不同，标签分类器在训练过程中还要考虑域判别器的误差，以强制提取的特征能够区分源域和目标域。
6、3)域判别器是用于区分数据源域和目标域的组件，其目标是识别出输入数据来自于源域还是目标域。域判别器的输出作为特征提取网络的输入，通过训练来适应输入数据的域适应性。在对抗训练过程中，域判别器不断调整自身的参数，使其能够准确地判定输入数据的域，从而迫使特征提取网络学习到不可区分源域和目标域的特征。
1.一种基于域对抗神经网络的侧信道攻击方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于域对抗神经网络的侧信道攻击方法，其特征在于，步骤c中，带标签的源域数据由建模设备采集得到，建模设备由攻击者完全控制，能够为每一条能量迹标记准确标签。不带标签的目标域数据由目标设备采集得到，目标设备攻击者不能完全掌握，仅能获取功耗泄漏能量迹。
3.根据权利要求1所述的一种基于域对抗神经网络的侧信道攻击方法，在步骤d中所构建特征提取器网络结构如下：
4.如权利要求1或3所述，一种基于域对抗神经网络的侧信道攻击方法，在步骤d中所构建标签预测器网络结构如下：
5.如权利要求1或3所述，一种基于域对抗神经网络的侧信道攻击方法，在步骤d中所构建域判别器网络结构如下：
6.如权利要求1、3、4或5所述，其中标签预测器和域判别器的损失函数皆为交叉熵损失函数，并通过反向传播迭代更新权重参数。
7.如权利要求1～6中的任意一项，其中所述优化算法为rmsprop。
8.根据权利要求1所述的一种基于域对抗神经网络的侧信道攻击方法，其特征在于，步骤h中，使用rank值作为判定模型攻击效果的评价。
