近年来,随着智能化信息技术的普及,人们的衣食住行都离不开各种智能化嵌入式设备。但这些智能化设备和其他互连设备面临着越来越多的信息安全威胁,因此包含隐私信息的产品在开发过程中考虑到了安全加密,为设备提供硬件级加密的数据安全通信保障。然而密码算法在数学设计上的安全性并不能保证其在硬件上运行时同样安全,侧信道分析技术已经被证明是对硬件加密算法密钥进行分析恢复密钥的一种有效方法,与传统的数学分析相比,侧信道分析具有更强的实践性,目前国际主流的密码产品测评机构均把侧信道分析的防护能力作为衡量密码设备或芯片安全性的主要指标,侧信道分析的研究受到越来越多密码分析人员的关注。进行功耗分析时攻击者检测的侧信道信息被称为功耗曲线,对功耗曲线分析之前,通常需要对功耗曲线进行预处理,合适的预处理可以有效的提升侧信道分析的效率,同时也可以降低侧信道分析的难度。本文作者在进行相关研究工作时发现,神经网络在处理端到端的侧信道分析时有良好的表现,但是在功耗曲线预处理部分应用还有很大缺口。于是,本文探索了AES算法的数学原理以及功耗曲线组成的部分提出了两种功耗曲线预处理的方案。1、多输入网络联合多泄露侧信道分析方案。基于AES算法在多个点存在不同程度的功耗泄露,通过对某一特定中间值的泄露分析,发现一个中间值在功耗曲线上对应多段不连续的泄露区间。然后引入多输入网络,使用多输入网络联合多个泄露区间进行分析,多输入网络可以充分的学习多个泄露区间中与中间值相关的能量泄露,从而有效的提升侧信道分析效率。2、基于深度学习的跨子密钥侧信道分析方案。方案一是对单一中间值的多泄露现象提出的,该方案基于多个中间值对应多个相似的泄露区间提出。利用功耗曲线的组成原理,发现目标子密钥和非目标子密钥的泄露区间的功耗曲线相似,所以在功耗曲线不充足时,可以使用跨子密钥的方法对目标子密钥的数据集进行扩充,从而提升侧信道分析效率。最后,对于上述两种方案本文均在自制数据集和公开数据集上开展了实验,实验结果表明了上述两种方案的有效性。