盡管加密算法已得到改進(jìn),加密系統(tǒng)的安全性仍然是密碼系統(tǒng)設(shè)計(jì)者關(guān)注的重點(diǎn)。邊信道攻擊可利用加密系統(tǒng)的物理漏洞來(lái)獲取秘密信息。目前提出的多種邊信道信息分析方法中,機(jī)器學(xué)習(xí)被認(rèn)為是一種有前景的方法�；谏窠�(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)可獲得指令標(biāo)志（功耗與電磁輻射）,并自動(dòng)識(shí)別。本文對(duì)橢圓曲線加密（Elliptic curve cryptography,ECC）的現(xiàn)場(chǎng)可編程門陣列（field-programmable gate array,FPGA）實(shí)現(xiàn)展開了新的實(shí)驗(yàn)研究,探討了基于學(xué)習(xí)向量量化（Learning vector quantization,LVQ）神經(jīng)網(wǎng)絡(luò)的邊信道信息表征的效率。LVQ作為多類分類器的主要特點(diǎn)是它具有學(xué)習(xí)復(fù)雜非線性輸入-輸出關(guān)系、使用順序訓(xùn)練程序和適應(yīng)數(shù)據(jù)的能力。實(shí)驗(yàn)結(jié)果表明基于LVQ的多類分類是邊信道數(shù)據(jù)表征的強(qiáng)大且有前景的方法。 

【文章來(lái)源】：Frontiers of Information Technology & Electronic Engineering. 2017,18(04)EISCICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
1 Introduction
2 Neural networks as multi-class classi-?ers
    2.1 Side-channel attacks based on neural net-works
3 Multi-class classi?cation based on learning vector quantization
    3.1 Learning vector quantization algorithm
4 Experimental results based on learn-ing vector quantization
    4.1 Experimental setup
    4.2 Empirical results and discussions
5 Conclusions


【參考文獻(xiàn)】：
期刊論文
[1]一套具備使用者不可追蹤性的輕量化身分鑒別機(jī)制（英文）[J]. Kuo-Hui YEH.  Frontiers of Information Technology & Electronic Engineering. 2015(04)



本文編號(hào)：3128426