作为一种强大的攻击手段,侧信道攻击已成为密码分析领域中的重要组成部分。它利用密码算法在加密设备运行时的物理泄露进行密码分析,而其中的侧信道建模攻击由于其突出的表现得到了许多学者的关注。近年来,深度学习被引入到侧信道建模攻击中并展现出了优于传统方法的性能。尽管其取得了巨大的成功,但基于深度学习的侧信道建模攻击仍有许多方面需要优化。对于理想的攻击场景,大多数工作仅从单个视角出发而忽略了同时利用多个维度的信息来推断最终结果。对于实际的攻击场景,建模设备和攻击设备之间的域差异会导致实际攻击性能下降。本文针对理想攻击场景和实际攻击场景下基于深度学习的侧信道建模攻击存在的不足提出了优化方法,具体如下:1.在理想的攻击场景下,即建模集和攻击集同源时,本文提出了一种基于多视角信息融合的侧信道建模攻击优化方法——MV-Net。我们首先使用格拉姆求和角场和格拉姆差分角场分别对侧信道轨迹进行成像;其次,将格拉姆求和角场图像和格拉姆差分角场图像沿通道维度连接起来获得双通道转换图像;最后,将格拉姆角场图像和原始轨迹视为两个视角,并利用多模态紧致双线性池化来融合从两个视角中提取的异构特征。实验结果表明,与仅使用单视角信息的方法相比,本文提出的方法在公开数据集上取得了更好的攻击效果。此外,我们通过可视化注意力图来分析MV-Net取得优越性能的原因。可视化结果表明MV-Net可以有效地关注原始轨迹和格拉姆角场图像中的信息泄露区域。2.在实际的攻击场景下,即建模集与攻击集不同源时,本文提出了一种基于mixup正则的对抗性域自适应跨设备侧信道建模攻击优化方法。在建模阶段,我们利用克隆设备训练数据对网络模型进行预训练;在域自适应阶段,采用对抗性域自适应方法使用少量无标签目标设备轨迹对预训练模型进行微调;在攻击阶段,利用微调之后的模型对目标设备实施攻击。此外,为了提升模型的泛化性,本文利用mixup正则,通过构造训练样本的近邻样本实现数据增强,在保留域不变特征的同时提升模型对目标域类别信息的甄别能力。多个公开数据集中的实验结果表明,此方法可以在实际场景下极大地提升攻击性能。