Wang Jianxin, Li Dongxu, Cui Qi, Xiao Chaoen, Tao Yongyong

(Beijing Institute of Technology électronique génie électronique et communication, Beijing 100070)

Ont proposé une méthode d'analyse en composantes indépendantes appliquée pour améliorer le rapport signal à bruit de l'analyse de puissance. analyse de canal latéral construction de plate-forme, les données de consommation d'énergie collectées, les données de consommation d'énergie et de débruitage expériences basées sur l'algorithme de point fixe rapide de l'entropie négative, pour améliorer le rapport signal sur bruit de 19 dB. Enfin, le remplacement de la fonction g manière optimisée, une fonction g Débruitage différente capacité de puissance dans l'analyse ont été comparés. Les résultats ont montré que, après le remplacement de la capacité de débruitage améliorée de plus de 4 dB qu'auparavant.

analyse en composantes indépendantes, l'analyse de puissance, rapide algorithme de point fixe; SNR

CLC: TN911; TP309.7

Code de document: ADOI: 10,16157 / j.issn.0258-7998.2017.02.021

format de citation chinois: Wang Jianxin, Li Dongxu, Cui Qi, et ainsi de suite. FastICA l'application de la suppression du bruit dans l'analyse de puissance Technologie électronique, 2017,43 (2): 88-91.

Anglais format de citation: Wang Jianxin, Li Dongxu, Cui Qi, et al. L'application de la FastICA débruitage dans l'analyse de puissance .Application Technique électronique, 2017,43 (2): 88-91.

0 introduction

analyse de puissance de fuite est une utilisation de l'information de consommation d'énergie du moteur d'exécution de l'appareil cryptographique pour des méthodes d'analyse clés. Les chercheurs ont mis au point un certain nombre de façons de traiter avec le bruit, LE T H et mis en avant le quatrième ordre cumulants pour traiter le signal d'impulsion transitoire, le bruit gaussien peut être efficacement réduit. SOUISSI Y et autres ont proposé un procédé utilisant un filtre de Kalman pour réduire le bruit gaussien.

Cependant, la méthode classique a des limites débruitage, nous avons besoin de connaître les caractéristiques du signal utile et le signal de bruit. analyse en composantes indépendantes et la nécessité de l'application connaît pas le signal spécifique utile et la distribution du bruit, peuvent obtenir la séparation du signal et le bruit pour le cas où l'incertitude en présence de bruit ou la synchronisation de fréquence cryptée bruit.

Cet article propose une technologie d'analyse de canal latéral ICA, et être mis en uvre dans la simulation, la comparaison SNR avant et après débruitage par la justesse de prouvé cette idée.

1 Analyse en Composantes Indépendantes

1.1 Vue d'ensemble du développement

technique ICA (Independent Component Analysis, ICA) est une sorte de technique de séparation de signal aveugle (aveugle de séparation du signal, BSS) . En 1991, HERAULT J et JUTTEN C , SOROUCHYARI E et COMON P publié trois articles sur la séparation du signal aveugle classique sur le traitement du signal. En 1994, COMON P d'abord proposé le concept d'analyse composante indépendante. HYVIIRINEN A et al., Un algorithme de point fixe rapide basé sur la mesure des sources de signaux non gaussienne.

1.2 ICA Introduction à la théorie

Étude est d'analyser l'ICA des composantes de signal mixte respectif, la dépendance statistique du minimum autorisé, de manière à obtenir une séparation de signal de source. Est utilisé ici est représenté par S (t) de matrice de source de signal représentant le signal mélangé X (t), le problème mentionné ci peut être exprimée comme suit:

Degré de critère d'indépendance pour mesurer la séparation du signal peut généralement être mesurée en termes de non-gaussienne. Sur la base de l'algorithme de point fixe rapide basé sur le principe de maximisation d'entropie négative.

1.3 algorithme de point fixe rapide (FastICA) Introduction à la théorie

1.3.1 entropie négative

FastICA algorithme d'entropie négative pour mesurer la non-gaussienne. entropie négative est définie:

Dans lequel, Ng (Y) représente une entropie négative, H (YGauss) représente une entropie du signal gaussien, H (Y) signal indicatif de l'entropie. Lorsque la plus grande valeur de l'entropie négative Ng (Y), le signal non gaussienne est plus grande, plus le degré de séparation.

1.3.2 étapes FastICA

FastICA étapes de base suivantes: (1) billes; (2) blanchiment, (3) la méthode itérative de Newton. Etant donné que dans le cas du signal aveugle itérative ne peut pas calculer les valeurs d'entropie peuvent être estimés à l'aide de la formule:

En règle générale, pour un signal super-gaussienne, vous pouvez sélectionner la fonction (7), pour les sous-gaussienne, la fonction de sélection (8).

Des mesures concrètes de l'algorithme de point fixe rapide:

(1) Données à séparer opération de sphéroïdisation;

(2) les données après l'opération de sphéroïdisation de blanchiment, pour donner V;

(3) établissant le vecteur d'initialisation w est de norme unitaire;

(4) La formule (6), mise à jour w, et la matrice normalisée;

(5) la détermination de la convergence, la convergence est obtenue composant indépendant, l'ensemble suivant de données est effectuée dans l'étape (2), pas convergé retourne à l'étape (4);

(6) tout à envoyer des signaux séparés.

2 L'analyse du pouvoir FastICA sur la base de plate-forme expérimentale

2.1 build canal latéral de la plate-forme

Architecture plate-forme d'analyse figure à canal latéral, comme le montre la figure. Comme utilisé ici le chiffrement algorithme DES algorithme de chiffrement est un panneau de copeaux Mega16 système SCM plus petit, à l'aide de l'oscilloscope Tektronix 7104C oscilloscope de stockage numérique.

2.2 processus de suppression du bruit

La puissance de signal de bruit gaussien recueilli algorithme de chiffrement aliasing, utilisée pour l'algorithme de point fixe rapide pour distinguer entropie négative du signal mixte, le procédé représenté sur la Fig.

3 Sur la base de l'analyse expérimentale de FastICA

3,1 consommation d'énergie et les expériences de séparation bruit

Tout d'abord les informations latérales de canal et l'expérience de séparation de bruit gaussien et le bruit aléatoire, le procédé de séparation choisi est une fonction de l'équation g (6). Lorsque l'algorithme DES chiffrement pour crypter le microcontrôleur filtré pouvoir de collecte d'informations comme la puissance du signal d'origine, le signal et le bruit aliasing de la consommation d'énergie dans Matlab, puis en utilisant un algorithme séparé. DES chiffrement des signaux d'origine sont des signaux, le bruit aléatoire de la courbe, le bruit gaussien, le signal d'origine tel que représenté sur la Fig.

Par De algorithme de point fixe rapide basé sur l'entropie négative mélangé, le signal séparé comme représenté sur la Fig.

Les résultats ci-dessus peut être vu dans la figure signal mixte 3 de groupe voir sensiblement ne pas la fonction de cryptage DES;. Les trois courbes après la séparation, l'article peut être apparent à une deuxième fonction de chiffrement DES, les deux autres courbes est le bruit.

3.2 deux algorithmes de cryptage des expériences de séparation du signal de puissance

Ce document fait une distinction entre les deux algorithmes de chiffrement, les algorithmes utilisés sont DES et présent. En outre, un ensemble de aliasing signal de bruit gaussien. Son signal et le signal d'origine sont séparés dans. La figure 5, représenté sur la figure 6.

3.3 Calcul SNR

Dans l'expérience précédente, la solution ne peut pas être mélangé avec un signal de SNR, puis mesuré précédemment, je propose la méthode suivante:

(1) mélanger le signal par un algorithme de déconvolution FastICA;

(2) Après le vecteur de ligne de signal de bruit unmixing matrice nulle;

(3) Le stade (2) obtenue par transformation inverse FastICA matrice du résultat final.

Experimental sélectionné à partir du signal de cryptage DES et le canal de bruit mélange de deux courbes, après le procédé décrit ci-dessus, la comparaison avant et après débruitage a finalement obtenu comme représenté sur la figure.

Comme on peut le voir sur la figure 7, par la méthode proposée ci-dessus, peut être restaurée à l'ICA inhérente séparé amplitude du signal et le rapport signal sur bruit est calculé avant et après débruitage, l'équation de SNR appliquée ici est la suivante:

Dans lequel, représente le signal SNR à bruit, l'appareil est dB; psignal représente signal d'énergie; représente Pnoise de l'énergie du bruit. Les résultats sont présentés dans le tableau 1.

3.4 Comparaison des différentes fonctions capacité de séparation g

Mise à jour de la fonction g dans l'expérience par la formule formule (7) (8), et en remplaçant dans la formule (6), l'expérience a été séparée signal de cryptage DES et le bruit. Les résultats présentés sur la figure 8.

Respectivement, en utilisant la formule (7) et (8) du même ensemble de données expérimentales, pour la comparaison avec un rapport signal sur bruit et la quantité de levée de temps de calcul MATLAB, en comparant les résultats obtenus sont présentés dans le tableau 2.

D'après le tableau 2, la séparation en utilisant la formule (8) est meilleure que la formule (7). Pour rechercher des motifs, incorporés ici kurtosis du signal est analysé. Kurtosis équation est la suivante:

Dans lequel kurt (x) représente kurtosis, si la valeur est supérieure à 0 en tant que signal de super-gaussienne, si égal à 0, le signal est gaussienne, est inférieur à 0, les signaux de sous-gaussienne. utilisation expérimentale capacité de séparation dans le calcul de la fonction de MATLAB, pour obtenir le chiffrement DES 7 valeur de kurtosis de -0,812, ce qui est sous-gaussienne confirmée, et pour le signal de sous-gaussienne, appelée ici formule (8) est comparé avec la formule (7 ) encore mieux.

4 Conclusion

Dans cet article, le problème du bruit dans l'analyse de la chaîne latérale, et propose un procédé de technique de consommation d'énergie Les informations recueillies sont traitées par analyse en composantes indépendantes. Cette méthode peut être mis en uvre pour distinguer les signaux et le bruit de l'aliasing signal de puissance, mais aussi pour obtenir les signaux cryptés pour distinguer les différents algorithmes de chiffrement. manière ICA réduction proposée de l'amplitude du signal de transformation inverse, pour calculer le rapport signal sur bruit avant et après le traitement, en utilisant l'analyse en composantes indépendantes après le traitement SNR significativement plus élevé que le SNR avant débruitage, cette méthode ne démontre analyse de puissance peut être appliquée au travail débruitage.

références

LE T H, J CLEDIERE, SERVIERE C, et réduction al.Noise dans le canal latéral attaque à l'aide du quatrième ordre cumulants .Information médecine légale et de sécurité, IEEE Transactions sur, 20072 (4): 710-720.

SOUISSI Y, GUILLEY S, DANGER J, et al.Improvement des attaques d'analyse de puissance en utilisant un filtre de Kalman .Acoustics Speech and Signal Processing (de ICASSP), 2010 IEEE Conférence internationale on.IEEE 2010: 1778-1781.

l'analyse des composants LEE W T.Independent: théorie et applications .IEEE Transactions sur les réseaux de neurones, 199910 (4): 982.

J HERAULT, JUTTEN C.Space ou le temps de traitement de signal adaptatif par des modèles de réseau neuronal réseaux .Neural pour computing.AIP Publishing, 1986,151 (1): 206-211.

SOROUCHYARI séparation de sources E.Blind, Partie III: Analyse de stabilité .Signal traitement, 1991,24 (1): 21-29.

COMON P, JUTTEN C, la séparation HERAULT J.Blind des sources, Partie II: déclaration Problèmes .Signal traitement, 1991,24 (1): 11-20.

HYVIIRINEN A, KARHUNEN J, AJO E.Independent analyse des composants .New York: Wiley and Sons, 2001.