Güç Analizi Gevşetmede FastICA Uygulaması
Wang Jianxin, Li Dongxu, Cui Qi, Xiao Chaoen, Tao Yongyong
(Elektronik ve Haberleşme Mühendisliği Bölümü, Pekin Elektronik Teknolojisi Enstitüsü, Pekin 100070)
Bağımsız bileşen analizi teknolojisini kullanarak güç analizinde sinyal-gürültü oranını iyileştirmek için bir yöntem önerilmiştir. Bir yan kanal analiz platformu oluşturulmuş, güç tüketimi verileri toplanmış ve güç tüketimi verileri üzerinde negatif entropinin hızlı sabit nokta algoritmasına dayalı denoising deneyleri gerçekleştirilmiş ve sinyal-gürültü oranı 19 dB artırılmıştır. Son olarak, g fonksiyonu değiştirilerek bir optimizasyon yöntemi önerilmiş ve güç tüketimi analizinde farklı g fonksiyonlarının gürültü azaltma yeteneği karşılaştırılmıştır. Sonuçlar, değiştirmeden sonra gürültü giderme yeteneğinin öncekinden 4 dB daha yüksek olduğunu göstermektedir.
Bağımsız bileşen analizi; güç tüketimi analizi; hızlı sabit nokta algoritması; sinyal-gürültü oranı
Çin Kütüphanesi Sınıflandırma Numarası: TN911; TP309.7
Belge tanımlama kodu: ADOI: 10.16157 / j.issn.0258-7998.2017.02.021
Çince alıntı biçimi: Wang Jianxin, Li Dongxu, Cui Qi, vb. FastICA'nın güç analizi ve denoising uygulamaları.Elektronik Teknoloji Uygulaması, 2017, 43 (2): 88-91.
İngilizce alıntı biçimi: Wang Jianxin, Li Dongxu, Cui Qi, ve diğerleri.FastICA'nın güç analizinde denoising uygulaması.Elektronik Tekniğin Uygulanması, 2017, 43 (2): 88-91.
0 Önsöz
Güç tüketimi analizi, kriptografik ekipmanın çalışması sırasında sızan güç tüketimi bilgilerini kullanan bir anahtar analiz yöntemidir. Araştırmacılar gürültüyle başa çıkmak için birçok yol geliştirdiler.LETH ve diğerleri, Gauss gürültüsünü etkili bir şekilde azaltabilen anlık nabız sinyallerini işlemek için dördüncü dereceden bir kümülant önerdi. SOUISSI Y ve diğerleri, Gauss gürültüsünü azaltmak için bir Kalman filtre yöntemi önerdiler.
Bununla birlikte, geleneksel gürültü azaltma yönteminin belirli sınırlamaları vardır ve kullanışlı sinyalin ve gürültü sinyalinin özelliklerinin bilinmesi gerekir. Bağımsız bileşen analiz teknolojisinin uygulanması, gürültü frekansının belirsiz olduğu veya senkronize şifreleme gürültüsünün olduğu durum için uygun olan, yararlı sinyal ve gürültünün özel dağılımını bilmeden sinyal ve gürültünün ayrılmasını gerçekleştirebilir.
Bu makale ICA teknolojisinin yan kanal analizinde uygulanmasını ortaya koymakta ve simülasyon ile gerçekleştirmektedir.No giderme öncesi ve sonrası sinyal-gürültü oranı karşılaştırılarak bu fikrin doğruluğu kanıtlanmıştır.
1 Bağımsız bileşen analizi
1.1 Geliştirmeye genel bakış
Bağımsız Bileşen Analizi (ICA) teknolojisi, bir tür kör sinyal ayırma teknolojisidir (Blind Signal Separation, BSS). 1991'de HERAULT J ve JUTTEN C, SOROUCHYARI E ve COMON P, Sinyal İşlemede kör sinyal ayrımı üzerine üç klasik makale yayınladı. COMON P ilk olarak 1994 yılında bağımsız bileşen analizi kavramını önerdi. HYVIIRINEN A ve diğerleri, kaynak sinyalin Gauss olmayan ölçüsüne dayalı hızlı bir sabit nokta algoritması önermiştir.
1.2 ICA teorisine giriş
ICA araştırmasının sorunu, kaynak sinyalini ayırma amacına ulaşmak için karışık sinyalin bileşenlerini analiz etmek ve istatistiksel bağımlılığını en aza indirmektir. Bu yazıda, kaynak sinyal matrisini temsil etmek için S (t) kullanılmıştır ve karışık sinyali temsil etmek için X (t) kullanılmıştır. Yukarıdaki problem şu şekilde ifade edilebilir:
Sinyal ayrılma derecesini ölçmek için bağımsızlık kriteri, genellikle Gauss olmayan derece ile ölçülebilir. Bu makale, negatif entropiyi maksimize etme ilkesine dayanan hızlı sabit nokta algoritmasına dayanmaktadır.
1.3 Hızlı Sabit Nokta Algoritması (FastICA) teorisine giriş
1.3.1 Negatif entropi
FastICA algoritması, Gauss olmayanlığı ölçmek için negatif entropi kullanır. Negatif entropinin tanımı:
Formülde Ng (Y) negatif entropiyi, H (YGauss) Gauss sinyalinin entropisini ve H (Y) sinyal entropisini temsil eder. Negatif entropi Ng (Y) değeri daha büyük olduğunda, sinyalin Gauss olmayışı daha büyüktür ve ayrılma derecesi daha yüksektir.
1.3.2 FastICA adımları
FastICA'nın temel adımları şunları içerir: (1) küreselleştirme; (2) beyazlatma; (3) Newton iterasyon yöntemi. Yineleme kör sinyaller durumunda olduğundan, entropi değeri hesaplanamaz ve yaklaşık formül kullanılabilir:
Normalde, süper Gauss sinyalleri için işlevi (7); alt Gauss sinyalleri için işlevi (8) seçin.
Hızlı sabit nokta algoritmasının belirli adımları:
(1) Ayrılacak verileri küreselleştirin;
(2) v'yi elde etmek için küreselleştirilmiş veriler üzerinde bir beyazlatma işlemi gerçekleştirin;
(3) Birim normlu bir başlatma vektörü w oluşturun;
(4) Formül (6) 'ya göre, w'yi güncelleyin ve matris standardizasyonu gerçekleştirin;
(5) Yakınsamayı değerlendirin ve yakınsandığında bağımsız bir bileşen elde edin ve sonraki veri kümesi için (2) adımını gerçekleştirin ve yakınlaşmazsa (4) adımına geri dönün;
(6) Tüm bağımsız sinyalleri alın.
FastICA'ya dayalı 2 güç analizi deney platformu
2.1 Yan kanal platformunun yapımı
Yan kanal analizinin platform mimari diyagramı Şekil 1'de gösterilmektedir. Bu makalede kullanılan şifreleme algoritması DES algoritmasıdır, kullanılan şifreleme çipi Mega16 mikro denetleyicinin en küçük sistem kartıdır ve kullanılan osiloskop Tektronix'in 7104C dijital depolama osiloskopudur.
2.2 Gürültü giderme süreci
Toplanan şifreleme algoritmasının güç tüketimi sinyali, Şekil 2'de gösterildiği gibi, Gauss gürültüsüyle örtüşür ve karışık sinyal, negatif entropinin hızlı sabit nokta algoritmasıyla ayırt edilir.
3 FastICA'ya dayalı deneysel analiz
3.1 Güç tüketimi ve gürültü ayırma deneyi
İlk olarak yan kanal bilgisi, Gauss gürültüsü ve rasgele gürültünün ayrıştırma deneyi gerçekleştirilmiş, ayırma işleminde formül (6) olarak g fonksiyonu seçilmiştir. DES şifreleme algoritması şifrelendiğinde tek yongalı bilgisayar tarafından sızdırılan güç tüketimi bilgileri, orijinal güç tüketimi sinyali olarak toplanır.Güç tüketimi sinyali ve gürültü MATLAB'de takma ad olarak verilir ve ardından algoritma ayırmak için kullanılır. Orijinal sinyaller DES şifreli sinyal, rastgele gürültü, Gauss gürültüsüdür ve orijinal sinyalin eğrisi Şekil 3'te gösterilmektedir.
Karışmayı çözme için negatif entropiye dayalı hızlı sabit nokta algoritması aracılığıyla, ayrılmış sinyal Şekil 4'te gösterilmektedir.
Yukarıdaki sonuç grafiğinden, 3 set karışık sinyalin temelde DES şifrelemenin özelliklerini göremediği görülebilir; ayrıldıktan sonraki 3 eğri arasından ikincisi DES şifrelemenin özelliklerini açıkça görebilir ve diğer iki eğri gürültüdür.
3.2 İki tür şifreleme algoritması güç tüketimi sinyal ayırma deneyi
Bu makale iki şifreleme algoritması arasında bir ayrım yapmaktadır, kullanılan algoritmalar DES ve Present'dır. Ek olarak, bir dizi Gauss gürültü sinyali de takma addır. Orijinal sinyal ve ayrılmış sinyal sırasıyla Şekil 5 ve Şekil 6'da gösterilmektedir.
3.3 Sinyal-gürültü oranını hesaplayın
Önceki deneyde, karıştırmadan sonraki sinyal önceki sinyal-gürültü oranıyla ölçülemediğinden, bu makale aşağıdaki yöntemi önermektedir:
(1) Karışık sinyali FastICA algoritması ile karıştırın;
(2) Karıştırmadan sonra sinyal matrisindeki gürültü satırı vektörünü sıfırlayın;
(3) Adım (2) 'de elde edilen matris, nihai sonucu elde etmek için FastICA tarafından tersine dönüştürülür.
Deney, DES şifreli sinyal ve gürültünün iki kanallı karıştırma eğrisini seçer Yukarıdaki yöntemden sonra, gürültüden arındırma öncesi ve sonrası son karşılaştırma Şekil 7'de gösterilmiştir.
Şekil 7'den, yukarıda önerilen yöntemle, ICA ayrılmış sinyalin kendi genliğine geri döndürülebildiği ve gürültüden arındırma öncesi ve sonrasındaki SNR'nin hesaplanabildiği görülebilir.Bu makalede kullanılan SNR formülü:
Formülde SNR, dB cinsinden sinyal-gürültü oranını temsil eder; Psignal, sinyalin enerjisini; Pnoise, gürültünün enerjisini temsil eder. Sonuçlar Tablo 1'de gösterilmektedir.
3.4 Farklı g fonksiyonlarının ayırma yeteneğini karşılaştırın
Deneyde, g fonksiyonu denklem (7) 'den denklem (8)' e güncellenmiş ve denklem (6) ile ikame edilerek DES şifreli sinyal ve gürültünün ayırma deneyi yapılmıştır. Deneysel sonuçlar Şekil 8'de gösterilmektedir.
Aynı veri kümesi üzerinde deney yapmak için formül (7) ve formül (8) kullanın ve sinyal-gürültü oranındaki artışı MATLAB'deki çalışma süresi ile karşılaştırın.Karşılaştırma sonuçları Tablo 2'de gösterilmektedir.
Tablo 2'den, formül (8) kullanımının ayırma etkisinin formül (7) 'den daha iyi olduğu görülebilir. Nedeni bulmak için, bu makale sinyali analiz etmek için basıklık değerini tanıtmaktadır. Basıklık formülü aşağıdaki gibidir:
Formülde kurt (x) basıklığı temsil eder, değer 0'dan büyükse süper Gauss sinyalidir; 0'a eşitse Gauss sinyalidir; 0'dan küçükse alt Gauss sinyalidir. Deney, MATLAB'de basıklık fonksiyonu hesaplamasını kullanır ve DES şifreli sinyalin basıklık değeri -0.8127 olup, bunun bir alt Gauss sinyali olduğunu kanıtlar.Gauss altı sinyal için, denklemin (8) ayrılma kabiliyetinden bu makalede bahsedilmiştir. Daha da iyi.
4. Sonuç
Yan kanal analizinde gürültü sorununu hedefleyen bu makale, toplanan güç tüketimi bilgilerini bağımsız bileşen analiz teknolojisi ile işlemek için bir yöntem önermektedir. Bu yöntem, güç tüketimi sinyallerini ve gürültüleri diğer adlı sinyallerden etkili bir şekilde ayırt edebilir ve ayrıca farklı şifreleme algoritmalarının şifrelenmiş sinyallerini ayırt edebilir. Sinyal genliğini geri yüklemek ve işlemden önce ve sonra sinyal-gürültü oranını hesaplamak için ICA ters dönüşümünün kullanılması önerilmektedir Bağımsız bileşen analizinden sonra sinyal-gürültü oranı, gürültü azaltmadan öncekinden önemli ölçüde daha yüksektir, bu da bu yöntemin gerçekten doğru olduğunu kanıtlar Güç analizi ve denoising için uygulanabilir.
Referanslar
LE T H, CLEDIERE J, SERVIERE C, ve diğerleri Dördüncü dereceden kümülant kullanılarak yan kanal saldırısında gürültü azaltma Bilgi Adli Tıp ve Güvenlik, IEEE İşlemleri, 2007, 2 (4): 710-720.
SOUISSI Y, GUILLEY S, DANGER J, et al. Kalman filtresi kullanarak güç analizi saldırılarının iyileştirilmesi. Akustik Konuşma ve Sinyal İşleme (ICASSP), 2010 IEEE Uluslararası Konferansı. IEEE, 2010: 1778-1781.
LEE W T. Bağımsız bileşen analizi: teori ve uygulamalar Nöral Ağlarda IEEE İşlemleri, 1999, 10 (4): 982.
HERAULT J, JUTTEN C. Sinir ağı modelleri ile uzay veya zaman uyarlamalı sinyal işleme Hesaplama için sinir ağları AIP Publishing, 1986, 151 (1): 206-211.
SOROUCHYARI E. Kaynakların kör olarak ayrılması, Bölüm III: Kararlılık analizi Sinyal İşleme, 1991, 24 (1): 21-29.
COMON P, JUTTEN C, HERAULT J.Kaynakların kör olarak ayrılması, Kısım II: Problemler bildirimi Signal Processing, 1991, 24 (1): 11-20.
HYVIIRINEN A, KARHUNEN J, OJA E. Bağımsız bileşen analizi New York: Wiley and Sons, 2001.
