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。
与人工智能领域中将准确率作为评价模型的关键指标不同，旁路分析领域将猜测熵作为度量模型的指标。在旁路分析中，对于一些复杂的加密算法，攻击者往往需要一定数量的物理泄露曲线提供足够的信息来确定正确的密钥。考虑一种极端情况，在多条物理泄露曲线的分类结果中，正确密钥所对应的分类概率每次都在所有密钥候选值中排第二，即分类器的预测准确率为零，但是当计算密钥的累加概率（即猜测熵）时，仅需要数条物理泄露曲线就能确定最终的正确密钥。因此，对基于人工智能技术的旁路分析方法而言，猜测熵及其相关指标能够更好地表征模型的优劣。
在基于人工智能的旁路分析技术方面，考虑到建模类旁路分析技术与有监督学习技术的相似性领域研究者拟使用机器学习的方法代替基于统计学基础的模板攻击方法，从而放宽对泄露信息分布的假设，克服传统建模类旁路分析技术的局限性。将机器学习技术应用到旁路分析领域的早期工作，主要使用支持向量机和随机森林等算法，对无防护和有防护的加密算法实现进行攻击，恢复加密算法的密钥。研究结果同时还证实了在某些特定场景（如电路噪声较大、泄露信息数量较少、泄露信息的数据维度较大等），基于机器学习的方法表现优于传统的统计分析方法。这些研究结果促使更多的研究者将目光投向了人工智能技术在旁路分析领域的应用。近年来，以卷积神经网络（Convolutional Neural Networks，CNN）为代表的深度学习技术在图像处理、语音识别等其他领域取得了丰硕的成果研究者们尝试将其与旁路分析领域结合，以提高基于机器学习技术的旁路攻击的效率。
关于深度学习技术和旁路分析领域相结合的研究工作，最初发表在SPACE上。该研究通过分析基于深度学习的旁路攻击技术，并将其与SVM、RF等基于传统机器学习技术的旁路分析方法和基于统计学方法的模板攻击方法进行比较，得出了令人鼓舞的结论：深度学习技术在旁路分析领域的表现要优于传统技术，这给旁路分析领域的研究者们提供了更多的信心。
随后，在的硬件安全顶会CHES上，一项基于CNN的旁路分析方法克服了传统方法对于泄露信息时间上未对齐或是不同防护对策的场景下的缺陷，取得了优异的成果。一方面，得益于卷积网络的自动特征提取特性，该方法能够减少对物理泄露信息的预处理步骤；另一方面，神经网络模型代替了传统模板攻击中的统计学模板，消除了对特征高斯分布假设的依赖。
后续基于深度学习的旁路分析技术的突破，主要围绕神经网络模型的优化展开。，领域研究者提出了一套完备的基于深度学习的旁路分析框架和平台，同时还提出了一个基于VGG-16模型（一种深度为16的卷积网络模型）的变体，并在一阶掩码防护的AES加密算法的数据集上进行了实现，取得了较为理想的成果。传统方法对具有掩码防护的加密算法的攻击往往会分成多个步骤，例如先恢复掩码值再恢复加密过程中的密钥，或是对密钥-掩码对进行恢复，而该ⅤGG-16变体的神经网络能够直接从物理泄露信息中恢复出密钥而没有对掩码值做出任何假设。这项研究极大地推动了人工智能领域与旁路分析领域的结合。
除了上述主流研究内容外，其他无监督或是半监督场景下的研究也是对该研究方向的重要补充。例如，在建模阶段样本数量受限的情况下，用半监督学习的方法攻击目标设备。或是在没有标签的情况下，通过分析神经网络模型的收敛状态，推断正确的密钥值：对于正确假设的密钥，神经网络模型能够快速收敛，对于错误假设的密钥，神经网络模型则无法收敛。同时，人工智能领域中常见的特征提取或数据增强技术也被应用到了旁路分析领域，以提高算法执行的效率。
如果觉得《基于人工智能的旁路分析技术简介》对你有帮助，请点赞、收藏，并留下你的观点哦！
