当对现有技术框架上的算法改进难以突破技术上的局限性时，亟须引入新的技术为旁路分析领域研究注入活力。此时，建立在统计学基础上的机器学习领域的发展吸引了领域研究者的注意。从统计学角度来讲，旁路分析方法的本质是建立一个分类器，这个分类器的输入包括从加密设备上采集的物理泄露以及明文等信息，输出是设备中使用的密钥。例如，对基于建模的分析方法而言，攻击者在建模阶段掌握了模板设备的一切信息，包括输入的明文、加密的算法、算法使用的密钥、输出的密文信息等，并且根据这些信息以及相应的物理泄露信息构建出了对应的模板。将建模完成后的模板和相关信息视为一个黑盒，其输入是目标设备上的物理泄露信息，输出是该信息对应的不同模板的匹配概率。与机器学习技术中的监督学习技术进行对比，不难发现，上述两者在统计学方法上极为相似。对于非建模分析方法而言，攻击者掌握的信息包括输入的明文和加密算法，但是不包含密钥信息，攻击者需要构建一个不依赖于密钥信息的分类器实现对密钥的攻击，相当于一个无监督的分类任务。因此，将人工智能技术应用在旁路分析领域在理论层面上是具备可行性的。
此文由 怡心湖 编辑，若您觉得有益，欢迎分享转发！：首页 > 常识论 » 基于人工智能的旁路分析技术简介