人工智能技術的定義十分寬泛，機器學習技術作為人工智能領域研究的一個重要分支，在圖像、語音處理領域取得了廣泛的應用。從學習形式上來講，機器學習分為監(jiān)督學習、無監(jiān)督學習以及介于兩者之間的半監(jiān)督學習。監(jiān)督學習中，作為學習對象的實例由樣本數(shù)據(jù)與對應的期望輸出（通常稱為標簽）兩部分組成，算法通過學習大量的實例調整參數(shù)，從而完成特定的任務。無監(jiān)督學習中實例僅由樣本數(shù)據(jù)構成，需要算法自行尋找數(shù)據(jù)之間的差異。而半監(jiān)督學習中，一部分樣本具有標簽，另一部分則沒有標簽，因而需要盡可能利用標簽信息提高算法性能。監(jiān)督學習目前的應用最廣，相關研究也更為深入。根據(jù)監(jiān)督學習過程中使用的算法，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（Neural Networks，NNs）等。深度學習是一類基于多層神經(jīng)網(wǎng)絡的學習方法，它嘗試模仿人類思維的認知過程并用神經(jīng)網(wǎng)絡模型進行表征。與其他方法相比，深度學習方法存在以下優(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。

旁路分析領域中關于結合人工智能技術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，它將人工智能技術作為一種分析工具，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這一角度來看，傳統(tǒng)的基于統(tǒng)計學方法的旁路分析技術存在一定的局限性：（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，導致無法準確刻畫泄露的特征。如何克服現(xiàn)有旁路分析技術的局限性成為當前該領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設備上有價值的信息，這里的信息并不局限于密鑰，也包括設備上的秘密參數(shù)或是秘密代碼。例如范·埃克竊聽囚能夠根據(jù)電子設備發(fā)出的電子輻射，對鍵盤、顯示器、打印機等進行監(jiān)聽，泄露關鍵信息。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（以各類嵌入式設備為主），如何利用旁路分析方法結合設備運行過程中產(chǎn)生的物理泄露信息恢復神經(jīng)網(wǎng)絡參數(shù)或是關鍵的輸入信息，對人工智能算法的物理實現(xiàn)進行安全評估，并構建相應防護對策、保護核心數(shù)據(jù)不受泄露風險，在目前嵌入式人工智能領域火熱的環(huán)境下，具有重大的社會和經(jīng)濟意義。
責任編輯:tzh