人工智能技術(shù)的定義十分寬泛，機器學(xué)習(xí)技術(shù)作為人工智能領(lǐng)域研究的一個重要分支，在圖像、語音處理領(lǐng)域取得了廣泛的應(yīng)用。從學(xué)習(xí)形式上來講，機器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及介于兩者之間的半監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)中，作為學(xué)習(xí)對象的實例由樣本數(shù)據(jù)與對應(yīng)的期望輸出（通常稱為標(biāo)簽）兩部分組成，算法通過學(xué)習(xí)大量的實例調(diào)整參數(shù)，從而完成特定的任務(wù)。無監(jiān)督學(xué)習(xí)中實例僅由樣本數(shù)據(jù)構(gòu)成，需要算法自行尋找數(shù)據(jù)之間的差異。而半監(jiān)督學(xué)習(xí)中，一部分樣本具有標(biāo)簽，另一部分則沒有標(biāo)簽，因而需要盡可能利用標(biāo)簽信息提高算法性能。監(jiān)督學(xué)習(xí)目前的應(yīng)用最廣，相關(guān)研究也更為深入。根據(jù)監(jiān)督學(xué)習(xí)過程中使用的算法，又可以將其分為支持向量機（Support Vector Machine，SVM）、隨機森林（Random Forests，RF）、神經(jīng)網(wǎng)絡(luò)（Neural Networks，NNs）等。深度學(xué)習(xí)是一類基于多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，它嘗試模仿人類思維的認(rèn)知過程并用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行表征。與其他方法相比，深度學(xué)習(xí)方法存在以下優(yōu)勢：（1）能夠自動提取數(shù)據(jù)中的特征，降低了特征工程的成本;（2）在大規(guī)模數(shù)據(jù)下表現(xiàn)優(yōu)秀。

旁路分析領(lǐng)域中關(guān)于結(jié)合人工智能技術(shù)的研究目前集中在兩個方面：一是基于人工智能的旁路分析技術(shù)，它將人工智能技術(shù)作為一種分析工具，研究如何利用人工智能算法提升傳統(tǒng)旁路分析技術(shù)的效率。二是人工智能的物理實現(xiàn)安全，它將實現(xiàn)在嵌入式設(shè)備上的人工智能算法作為旁路分析的對象，利用旁路分析方法恢復(fù)出算法的敏感參數(shù)或是用戶信息。

從基于人工智能的旁路分析技術(shù)這一角度來看，傳統(tǒng)的基于統(tǒng)計學(xué)方法的旁路分析技術(shù)存在一定的局限性：（1）對于泄露信息特征的刻畫普遍使用多元高斯模型，不具備一般性;（2）由于模板攻擊需要計算多元高斯分布的協(xié)方差矩陣，對于高維數(shù)據(jù)，求解協(xié)方差矩陣需要大量的計算資源，因此往往難以實現(xiàn);（3）物理泄露信息的采樣會存在時間上的偏移，導(dǎo)致無法準(zhǔn)確刻畫泄露的特征。如何克服現(xiàn)有旁路分析技術(shù)的局限性成為當(dāng)前該領(lǐng)域研究的重點和難點。

另一方面，廣義的旁路分析的目的在于獲取目標(biāo)設(shè)備上有價值的信息，這里的信息并不局限于密鑰，也包括設(shè)備上的秘密參數(shù)或是秘密代碼。例如范·?？烁`聽囚能夠根據(jù)電子設(shè)備發(fā)出的電子輻射，對鍵盤、顯示器、打印機等進(jìn)行監(jiān)聽，泄露關(guān)鍵信息。因此，從人工智能物理實現(xiàn)安全角度出發(fā)，目前人工智能設(shè)備的大規(guī)模落地依賴于其實現(xiàn)的物理平臺（以各類嵌入式設(shè)備為主），如何利用旁路分析方法結(jié)合設(shè)備運行過程中產(chǎn)生的物理泄露信息恢復(fù)神經(jīng)網(wǎng)絡(luò)參數(shù)或是關(guān)鍵的輸入信息，對人工智能算法的物理實現(xiàn)進(jìn)行安全評估，并構(gòu)建相應(yīng)防護(hù)對策、保護(hù)核心數(shù)據(jù)不受泄露風(fēng)險，在目前嵌入式人工智能領(lǐng)域火熱的環(huán)境下，具有重大的社會和經(jīng)濟(jì)意義。
責(zé)任編輯:tzh