9. Cấu trúc của Luận án
3.3.1. Mô hình phân lớp đề xuất CNNd
Để phân lớp các vết điện năng tiêu thụ, một mô hình phân lớp cần được huấn luyện dựa trên các vết điện năng tiêu thụ được gán nhãn theo giá trị trung gian của thuật toán mật mã. Trong quá trình huấn luyện, mô hình mạng phân lớp phải học được các đặc trưng của dữ liệu vào và mô tả được mối quan hệ giữa các đặc trưng này với nhãn của dữ liệu. Như vậy để phân lớp cho các vết điện năng tiêu thụ, mô
Phần mạng để trích chọn đặc trưng/học các POIs của vết điện năng tiêu thụ đầu vào
Phần mạng để phân lớp các vết điện năng tiêu thụ
POOL POOL CONV Số kernel: Kích thước kernel: CONV Số kernel: Kích thước kernel: + Đầu ra FULLY-CONNECTED
hình phân lớp cần ít nhất một phần mạng để thực hiện chức năng phát hiện và học các POIs của vết và một tầng làm nhiệm vụ phân lớp. Trong các mô hình phân lớp sử dụng mạng học sâu, mạng nơ-ron tích chập CNN có thể thực thi cả hai chức năng này. Trong mạng CNN, các tầng tích chập có nhiệm vụ phát hiện các đặc trưng của dữ liệu đầu vào và các lớp nơ-ron ẩn có cấu trúc mạng MLP có nhiệm vụ thực thi chức năng phân lớp dữ liệu dựa trên các đặc trưng đã học được từ các lớp tích chập. Do đó, luận án đề xuất mô hình phân lớp cho vết điện năng tiêu thụ dựa của thiết bị mặt nạ trên kiến trúc mạng nơ-ron tích chập và được gọi là CNNd. Việc xây dựng kiến trúc CNNd là việc xác định tầng đầu vào, số tầng tích chập, số tầng nơ- ron ẩn, tầng đầu ra và các tham số của các tầng này.
Hình 3.4. Kiến trúc bộ phân lớp CNNd cho thiết bị mặt nạ
Kiến trúc bộ phân lớp CNNd đề xuất được xây dựng dựa trên phân tích các đặc trưng của vết điện năng tiêu thụ của thiết bị mặt nạ. Các đặc trưng của vết điện năng tiêu thụ của thiết bị mặt nạ như đã phân tích ở phần 3.2.2 đó là các POIs. Các POIs xuất hiện tại các thời điểm thiết bị xử lý mặt nạ và các giá trị được mặt nạ. Do đó, các điểm POIs được xuất hiện ở một số dải và tách biệt nhau bởi cần có thời gian để thiết bị xử lý các giá trị khác. Đối với thiết bị sử dụng mặt nạ bậc nhất, tồn tại hai dải POIs như mô tả trên Hình 3.2. Như vậy, kiến trúc CNNd để phân lớp các vết điện năng tiêu thụ của thiết bị mặt nạ cần có các yêu cầu sau:
- Phát hiện các đặc trưng hay các POIs từ các vết điện năng tiêu thụ.
- Có thể học được các đặc trưng kết hợp giữa các điểm POIs đó là hiệu của các POIs theo biểu thức (3.3) và tích của các POIs (3.4) bởi theo phân tích ở phần
3.2.3 các đặc trưng này phụ thuộc vào giá trị trung gian tấn công hay nhãn của vết điện năng tiêu thụ sử dụng trong quá trình lập mẫu.
H O -S CA D ữ li ệu v ào Vế t đ iệ n nă ng ti êu th ụ (x ) FL AT TE N
- Có khả năng phân lớp được các vết điện năng tiêu thụ được gán nhãn bởi giá trị trung gian cần tấn công.
Kiến trúc mạng CNNd đề xuất có thể thỏa mãn các yêu cầu trên được mô tả bởi
Hình 3.4 với hai khối chính là khối phát hiện POIs, tạo POIs kết hợp và khối phân
lớp vết.
3.3.1.1. Khối phát hiện POIs và tạo POIs kết hợp
Khối này bao gồm các tầng tích chập và mô-đun HO-SCA được xây dựng với chức năng cụ thể như sau:
Tầng tích chập thứ nhất: Được sử dụng để phát hiện các POIs của vết điện năng tiêu thụ. Theo Zaid [33], khi vết điện năng tiêu thụ đi qua các tầng tích chập, thông tin về các POIs bị trải rộng ra. Hơn nữa, do các POIs xuất hiện gần nhau ở xung quanh các đỉnh của vết (Hình 3.5) nên mức độ trải rộng thông tin của các POIs càng lớn khi vết được tích chập. Vì vậy, giảm mức độ trải rộng thông tin của các POIs khi đi qua tầng tích chập, bộ phân lớp CNNd chỉ cần một tầng tích chập để thực hiện chức năng phát hiện POIs. Hơn nữa, để tối ưu phát hiện POIs, kích thước bộ lọc tầng tích chập phải vừa đủ để phủ được vùng các đỉnh của vết. Tuy nhiên để tránh việc sử dụng lại thông tin về POIs ở vùng đỉnh của vết có thể gây làm giảm hiệu quả của tấn công và giảm kích thước bộ lọc mà vẫn phủ được vùng đỉnh vết, luận án đề xuất sử dụng tầng tích chập có nhân co giãn (dilation convolution) với hệ số co giãn � = 1. Khi đó, hệ số của bộ lọc sẽ cho bởi biểu thức (3.5) và lối ra của tầng tích chập thứ nhất sẽ cho bởi (3.6). Các hệ số bằng 0 của bộ lọc sẽ không được cập nhật trong quá trình mạng CNNd được huấn luyện.
= � [�1, 0, �2, 0, … , �−1, 0, �] (3.5) � � �[�] = ∑ ���[2. + − � � 2] . � [�] =1 � (3.6)
Tầng tích chập thứ hai: Được sử dụng nhằm tạo ra các POIs kết hợp theo biểu thức (3.3). Giả sử sau tầng tích chập thứ nhất mạng đã phát hiện các các POIs khi đó vết điện năng tiêu thụ tại lối ra tầng này có thể được mô tả bởi (3.7), trong đó
(��, ��+1, … , ��+�1 ) là các POIs ở dải thứ nhất tương ứng khi thiết bị xử lý mặt nạ và
��, ��+1, … , ��+�2 là các POIs ở dải thứ hai tương ứng khi thiết bị xử lý giá trị được mặt nạ.
Dải POIs Dải POIs
Nhân tích chập Hướng trượt nhân tích chập
Thông tin kết hợp giữa các POIs
Hình 3.6. Sự kết hợp giữa các POIs bởi tầng tích chập trong mạng CNN
�1 = (… , ��, ��+1, … , ��+�1 , … . . , ��, ��+1, … , ��+�2 , … . )
(3.7) Để lối ra của tầng tích chập thứ hai có thể tạo ra được sự kết hợp giữa hai dải POIs trên thì trước hết độ dài của bộ lọc trong tầng tích chập này phải đủ lớn để bao được cả hai dải POIs trên. Khi đó, khi bộ lọc trượt đến vùng có chứa các dải POIs, các đặc trưng lối ra tầng tích chập thứ hai được biểu diễn bởi (3.8).
�+�1 �+�2 � �2� = ∑ ��. ��+ ∑ ��. ��+ ∑ ��. �� �=� �=� �=�1 � �� = ��=�:�+�+ ��=�:�+�+ ∑ ��. �� 2 1 2 �=�1 (3.8)
Nếu ở tầng thứ nhất các POIs được phát hiện thì thành phần thứ 3 trong biểu thức (3.8) sẽ xấp xỉ bằng 0 và sẽ được viết lại thành (3.9).
��= ��=�:�+�+ ��=�:�+�
2 1 2 (3.9)
Do các giá trị trọng số ��, � ∈ �, có thể nhận giá trị dương hoặc âm, nên ��,
hoặc hiệu của các ��và ��. Lối ra này có dạng hàm kết hợp �� trong biểu thức
đó thông tin ở lối ra của tầng tích chập thứ hai chứa thông tin kết hợp của các dải POIs.
Mặc dù thành phần thứ 3 trong (3.8) là nhỏ, tuy nhiên để mạng tránh ảnh hưởng đến quá trình học các POIs kết hợp thì trong quá trình huấn luyện mạng CNN, thành phần này được điều chỉnh gần về 0 hơn. Khi đó, kỹ thuật điều chỉnh �1 (L1- regulization) được đề xuất sử dụng ở tầng tích chập thứ nhất nhằm mục đích tối thiểu thành phần thứ 3 trong (3.8).
Mô-đun HO-SCA: Tầng tích chập thứ nhất có nhiệm vụ phát hiện các dải POIs của vết điện năng tiêu thụ đầu vào. Tầng tích chập thứ hai có nhiệm vụ tổng hợp các POIs ở lối ra tầng tích chập thứ nhất để tạo ra các đặc trưng kết hợp giữa các POIs. Tuy nhiên, phép tích chập chỉ có tác dụng kết hợp tuyến tính giữa các điểm POIs lối vào của nó. Do đó, chỉ hàm hàm ��= ℓ0 ,�− ℓ1 ,�trong biểu thức (3.3) được tạo ra tại lối ra của tầng tích chập thứ hai làm các đặc trưng của vết. Để tạo ra hàm tích giữa các điểm POIs ��= ℓ0 ,� × ℓ1 ,�như trong biểu thức (3.4), một mô-đun tính toán được gọi là HO-SCA được thêm vào kiến trúc mạng CNN như được biểu diễn trên Hình
3.4. Mô-đun HO-SCA có mục đích để tạo ra các đặc trưng là tích của các điểm POIs với các đầu vào và lối ra được mô tả bởi biểu thức (3.10). Lối ra của mô-đun HO- SCA được kết hợp cùng với các đặc trưng được tạo ra ở tầng tích chập thứ hai ở tầng FLATTEN và đưa vào các lớp nơ-ron ẩn phía sau để phục vụ cho quá trình phân lớp các vết điện năng tiêu thụ.
���−��� = �([�1, �2, … , ��]) = [�1�2, �1�3, … , �1��, �2�3, … ,
… ��−1��] (3.10)
3.3.1.2. Khối phân lớp vết điện năng tiêu thụ
Các đặc trưng kết hợp tạo ra bởi tầng tích chập thứ hai và HO-SCA sẽ được kết hợp lại với nhau ở tầng FLATTEN và được đưa vào tổng hợp ở phần mạng thực hiện chức năng phân lớp đó là các lớp nơ-ron ẩn. Cuối cùng là tầng đầu ra với số nơ-ron bằng với số lượng nhãn của vết điện năng tiêu thụ cần phân lớp.
Như vậy, kiến trúc bộ lớp CNNd bao gồm các tầng tích chập, lớp HO-SCA, tầng FLATTEN và các lớp nơ-ron ẩn, và tầng đầu ra. Với các mạng nơ-ron tích chập, theo sau các tầng tích chập là các tầng POOL có tác dụng làm giảm kích thước đặc trưng lối ra tầng tích chập [78]. Do đó, trong kiến trúc CNNd, sau mỗi tầng tích chập là một tầng POOL với các tham số là kích thước và bước trượt là 2 [33].
Do mỗi kiến trúc phân lớp thường chỉ phù hợp và tối ưu cho một bài toán cụ thể nên ngoài việc thiết kế các bộ lọc phù hợp cho tầng tích chập, tạo các đặc trưng kết hợp phù hợp với bài toán phân lớp cho các vết của thiết bị mặt nạ thì các tham số còn lại của kiến trúc CNNd như số lượng bộ lọc, kích thước bộ lọc, số lượng tầng nơ-ron ẩn, số nơ-ron trong một tầng ẩn cũng cần được tối ưu. Hiện tại, chưa có giải pháp cụ thể nào để xác định các tham số trên, do đó luận án đề xuất sử dụng thuật toán tối ưu dựa trên hành vi săn mồi của bày sói (GWO) để xác định các tham số trên.