摘要

近年来，深度学习技术提升侧信道攻击性能的优势已被充分证明。当前研究主要集中于判别模型，但其缺乏理论支撑的局限性日益凸显——特别是在神经网络架构选择和损失函数优化方面，这对攻击者和评估者均构成挑战。Zaid等人近期提出可解释的生成模型来桥接传统模板攻击与深度学习，但存在架构复杂、无法支持高阶攻击和异步处理等缺陷。本文针对架构复杂度问题，基于严格理论推导提出新型条件变分自编码器生成模型，该模型能够收敛至最优统计模型（即实现最优攻击）。通过整合最先进的降维理论，我们在神经网络中实现了零信息损失的最优降维，相比Zaid等人的方案获得O(D)量级的架构复杂度优化（D为轨迹维度），同时增强模型可解释性。此外，我们提出基于该网络的新型攻击策略，将生成模型的攻击复杂度从O(N)降至O(1)（N为生成轨迹数）。所有理论成果均通过大规模仿真实验和涵盖对称/非对称（含后量子）密码实现的公开数据集得到验证。

核心创新

1. 理论驱动的生成模型：构建条件变分自编码器框架，严格证明其收敛于最优统计模型
2. 最优降维技术：在神经网络中集成信息无损的降维操作，实现维度缩减与特征保留的平衡
3. 复杂度优化：
   • 架构复杂度降低O(D)量级
   • 攻击复杂度从O(N)优化至O(1)
4. 可解释性增强：通过理论关联传统模板攻击与深度学习特征提取过程

实验验证

• 数据集：涵盖AES（对称）、RSA（非对称）及后量子密码实现
• 对比基准：Zaid et al. 方案、传统CPA/Template攻击
• 指标：
  • 成功攻击所需轨迹数
  • 模型训练效率
  • 高维/异步场景适应性

应用价值

为硬件安全评估提供兼具理论保障与工程可行性的新型分析工具，特别适用于资源受限的嵌入式加密设备侧信道分析。