功耗分析攻击中机器学习模型选择研究

论文摘要

根据密码芯片功耗曲线的特性,对支持向量机、随机森林、K最近邻、朴素贝叶斯4种机器学习算法进行分析研究,从中选择用于功耗分析攻击的最优算法。对于机器学习算法的数据选取问题,使用多组数量相同但组成元素不同的数据集的十折交叉验证结果进行模型选择,提高测试公平性及测试结果的泛化能力。为避免十折交叉验证过程中出现测试集误差不足以近似泛化误差的问题,采用Friedman检验及Nemenyi后续检验相结合的方法对4种机器学习算法进行评估,结果表明支持向量机是适用于功耗分析攻击的最优机器学习算法。

论文目录

• 0 概述
• 1 机器学习算法
•   1.1 朴素贝叶斯分类器
•   1.2 K最近邻算法
•   1.3 随机森林算法
•   1.4 支持向量机算法
• 2 特征点选择
• 3 机器学习模型与数据分析
• 4 模型评估与选择
•   4.1 相关定理
•   4.2 交叉验证
•   4.3 Friedman检验与Nemenyi后续检验
•   4.4 模型选择过程
• 5 实验验证
•   5.1 十折交叉验证
•   5.2 Friedman检验及Nemenyi后续检验结果
• 6 结束语

文章来源

类型: 期刊论文

作者: 段晓毅,陈东,高献伟,范晓红,周玉坤

关键词: 机器学习,十折交叉验证,检验,后续检验,功耗分析攻击

来源: 计算机工程 2019年11期

年度: 2019

分类: 信息科技

专业: 互联网技术,自动化技术

单位: 北京电子科技学院电子信息工程系

基金: 国家自然科学基金(61701008),中央高校基本科研业务费专项资金(2017LG05)

分类号: TP181;TP393.08

DOI: 10.19678/j.issn.1000-3428.0052538

页码: 144-151+158

总页数: 9

文件大小: 1605K

下载量: 201