基于深度学习和机器学习的侧信道攻击
机器学习的优点
优点很明显，机器学习侧信道攻击可以快速的分类能量轨迹携带秘钥的汉明重量，在某些受限情况下（比如3次失败就锁定），更有效果。
对齐？还是不对齐？
使用CNN可以攻击非对齐的能量轨迹，但是我试了使用fft之后的频域曲线进行攻击，效果也不错。如果能量轨迹采集的时候不对齐，攻击的效果会下降，建议还是对齐一下，性价比比较高。
特征点提取问题
传统的提取方式，提取出来的点都是来自与同一个线性特征，无法提取非线性特征，PCA在这个情况下比较好，无论时域还是频域。
特征点指标
理想情况下，随着特征点的增加，应该是信息量越来越大，噪音缩小。但是如果随着特征点增加，条件数也越来越大的话，说明增加的线性特征高于了非线性特征，引入了更多的噪音。
展望
看了一个论文，使用 fastdtw对齐+PCA特征点提取+MLP分类 我感觉这个思路去解决非对齐曲线应该是最优的。我本来也是想这么去做的，但是由于时间原因就少了dtw改用了频域，效果也很好。
总之，就我目前的实验来看，我感觉不对齐直接用CNN，虽然看着简便，但是是性价比很低的方法，对于高防御度的芯片另算。
代码
我的毕设代码在github上，写的有点丑
https://github.com/backahasten/Simple-deep-learning-SCA
希望大佬们赏一个star， QAQ
