在互联网和半导体领域爆炸式扩张的今天,人们对信息技术设备的依赖逐渐加重。因此,为了在不同的嵌入式设备之间建立起一个安全网络,加密算法起到了重要作用。而侧信道攻击技术的出现,对嵌入式设备中部署的加密算法构成了很大的威胁。这是由于侧信道攻击者往往能够利用一切手段搜集到加密设备在执行加密算法过程中所产生的一切可能出现的物理泄露信息,然后再结合使用一些统计学的方法破解出密钥,盗取正在加密的重要信息,所以对密码芯片的侧信道安全分析工作是信息安全的重要内容,值得引起重视。随着深度学习技术的大力发展,深度学习技术在侧信道领域也逐渐得到应用,并且表现出了很好的效果。由于深度学习对数据内在特征的敏感性,将深度学习算法应用于硬件加密芯片的侧信道分析,提高了侧信道分析的效率和准确率。但深度神经网络学习算法依旧是非线性结构未知的深层黑盒模型,模型结构和性能不一定是最优,需要进一步对深度学习侧信道模型进行研究。此外,在实施一次侧信道攻击过程中,攻击者首先需要尽可能的采集到高质量的加密设备的侧信道能量迹数据,然而在实际中,攻击者可能遭遇到各种环境因素的限制和干扰,以至于不能获取到充足的侧信道数据或者获取的数据不均衡问题很严重,在这种情况下,即使采用了合适的模型算法,侧信道攻击效果也十分不理想。针对以上两个主要问题,本文做了以下工作:提出了一种基于树突网络（Dendrite network,DD）的侧信道分析方法。由于树突网络内部非线性结构的可解释性,其系统辨识能力和运算复杂度均优于深度学习网络。本文通过Chip Whisperer侧信道分析实验平台,分别对CW308T-STM32F3和ATXMEGA128D4目标板进行了AES-128加密算法的软实现,采集到实验数据。通过数据结构特征构建多层感知机（Multi Layer Perceptron,MLP）、卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆网络（Long Short Term Memory Network,LSTM）与树突网络进行对比实验分析,最终实验结果表明,基于树突网络的侧信道分析在模型参数规模、攻击精度、训练时间等方面的表现均最优,基于树突网络的侧信道攻击效率最高。针对原始采集的能量迹数据表现为数量小、类别不均衡的问题,本文引入条件生成对抗网络（Conditional Generative Adversarial Network,CGAN）来解决。主要是通过CGAN模型生成指定数量和类别的模拟能量迹来对原始不均衡小样本数据进行扩充增强。实验中选用汉明重量（Hanmming Weight,HW）作为侧信道能量模型,通过对无防护的CW数据集和存在一阶掩码防护的ASCAD抖动数据集进行侧信道攻击实验,以研究是否能够生成有效的并且高质量的模拟能量迹数据。最终实验结果表明,使用CGAN模型能够生成有效的高质量模拟能量迹数据,使用增强数据集可以成功进行侧信道攻击,在两个数据集上均能成功恢复正确密钥,侧信道攻击效果最好。本文的实验结果表明,使用DD模型能够提高侧信道攻击效率,使用CGAN能够生成高质量的能量迹数据以提高侧信道攻击结果的准确率,因此,将DD模型和CGAN模型结合起来进行侧信道攻击将会是未来的一个研究热点。