革命性的混合组合深度学习模型,用于在云计算中准确和强大的侧通道攻击检测
C Lakshminatha Reddy1, K Malathi2
1Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Chennai, India. laxminathreddy842@gmail.com.
Scientific reports
|September 26, 2025
概括
本研究介绍了一种混合深度学习模型,用于在云环境中检测侧通道攻击 (SCAs). 该模型实现了高精度,增强了加密安全性,防止共享计算系统中的物理数据泄露.
科学领域:
- 网络安全 网络安全
- 密码学 密码学 密码学
- 云计算 云计算 云计算 云计算
背景情况:
- 侧通道攻击 (SCAs) 利用物理数据泄露,对加密系统构成威胁.
- 由于噪音和复杂的数据模式,在云环境中检测SCAs具有挑战性.
研究的目的:
- 开发一个强大的深度学习模型,用于云环境中SCA检测.
- 确保在识别物理数据泄露时的可扩展性和准确性.
主要方法:
- 提出了一个混合组合深度学习 (HEDL) 模型,集成CNN,LSTM和AutoEncoders.
- 整合了注意力机制,以专注于关键数据段.
- 在云环境中训练和评估ASCAD数据集上的模型.
主要成果:
- 实现了98.65%的检测准确度,超过了传统和独立的深度学习模型.
- 在干净和杂的数据条件下都表现出卓越的性能.
- 注意力机制提高了焦点,降低了计算需求,提高了精度.
结论:
- 在杂的云环境中,HEDL模型提供了强大而准确的SCA检测.
- 代表了基于云的加密安全的重大进步.
- 强调混合深度学习的有效性,并关注SCAs.