[发明专利]一种基于相关性排名的数据重排列功耗分析方法

说明书

本发明公开了一种基于相关性排名的数据重排列功耗分析方法，步骤如下：（1）获取密码设备运行过程中的功耗信息，即能量迹；（2）根据获取的能量迹数据，采用均值方法计算“基准”能量迹；（3）根据皮尔逊相关系数计算每条能量迹与“基准”能量迹的相关系数；（4）将相关系数降序排序，根据排序结果设置输入数据的排序位置；（5）根据设置的排序位置对原始能量迹和明文数据进行重新排列；（6）基于重排列的能量迹和明文数据，实现对密码算法的功耗分析。本发明方法，通过对能量迹数据进行重新排列，使得在进行功耗分析时可以优先提取与“基准”能量迹相关性更高的能量迹进行分析，提高攻击的成功率，并减少恢复密钥所需要的能量迹条数。

技术领域

本发明涉及信息安全领域，具体是一种基于相关性排名的数据重排列功耗方法，通过数据预处理再对算法进行功耗分析。

背景技术

侧信道分析可以通过密码设备运行过程中泄漏的功耗等侧信息对密码算法进行分析，其中，功耗分析方法是常用的攻击方法之一，包括差分功耗分析（DifferentialPower Analysis, DPA）、相关功耗分析（Correlation Power Analysis, CPA）等，这类分析方法无需攻击者熟悉密码设备，仅需要知道设备中的算法即可，具有攻击效率高、分析成本较低等优势。

在功耗分析中，输入数据的特性对攻击的性能有很大的影响，因此数据预处理方法在整个攻击过程中占据重要的地位。随着数据量不断增加，分析算法时需要处理的数据也越来越复杂，容易造成维度灾难等问题，影响实验的效果。因此，不做数据预处理，仅根据算法的原始能量迹，现有的功耗分析方法较难完成对算法的攻击，或者攻击的成功率较低。而通过对原始数据的预处理，则可以有效降低噪声，降低所需要的数据量，提高攻击的成功率。

现有针对功耗分析的数据预处理方法主要包括如下方法：（1）引入特征选择的思想，筛选有效特征，即降低每条能量迹中特征点的个数，以达到数据降维的目的，如主成分分析（Principal Component Analysis, PCA）、线性判别分析（Linear DiscriminantAnalysis, LDA）、等距特征映射（ISOMAP）等。（2）通过基础的数学变换或移位、重构等曲线对齐技术对能量迹进行相应的处理，这一类方法的运算规则主要针对数据本身的特征，合适的规则有助于降低能量迹的噪声，提高功耗分析中正确猜测密钥的相关性，如中心化、平方矩阵、静态对齐、基于小波变换的对齐方法等。（3）结合深度学习技术对数据进行处理，变更数据的存储方式，有效提升其可用性，如图像化能量迹等。

现有的数据预处理方法，通过特征选择、数据变换或采用深度学习进行处理，可以过滤掉噪声数据，或者放大有效特征，这些方法相对比较复杂，并有较强的针对性。

发明内容

针对背景技术的问题，本发明提出一种基于相关性排名的数据重排列方法，通过计算能量迹与“基准”能量迹的相关系数并对能量迹数据进行重新排列，使得在进行功耗分析时可以优先提取与“基准”能量迹相关性更高的能量迹进行分析，提高攻击的成功率，并减少恢复密钥所需要的能量迹条数。

实现本发明目的的技术方案是：

一种基于相关性排名的数据重排列功耗分析方法，包括如下步骤：

（1）获取功耗信息；

获取密码设备运行过程中泄露的功耗信息，即能量迹；

（2）计算“基准”能量迹；

根据获取的能量迹数据，采用均值方法计算“基准”能量迹；

（3）计算每条能量迹与“基准”能量迹之间的相关系数；

根据皮尔逊相关系数计算每条能量迹与“基准”能量迹的相关系数；

（4）数据排序；

根据计算出的相关系数值，对相关系数矩阵由大到小进行降序排序，根据排序结果设置与相关系数值相对应的原始能量迹和明文数据的排序位置；

（5）数据重排列；

根据设置的排序位置对原始能量迹和明文数据进行重新排列；