在信息化日益发展壮大的今天,网络与电子设备无处不在,从而信息交换无时不在发生,与此同时,信息安全问题愈发被重视。信息安全在硬件与软件方面均有威胁。硬件方面有设备克隆方法对硬件进行伪造从而威胁信息安全。软件方面保证信息安全主要依赖加密芯片的加密操作,而加密芯片运行过程中,电流变化引起的电磁变化产生的电磁泄漏被作为侧信道攻击的利用点威胁信息安全。本文利用芯片工作时伴随的电磁泄漏,建立射频指纹针模板进行芯片个体识别以及使用机器学习算法对加密信息进行解密操作,对评估信息安全以及对信息安全防护改善具有重要意义。本文主要有以下创新点:第一,针对同类型芯片单模型分类过多问题,基于深度学习设计了先进行批次分类后进行芯片个体分类的分类方案,降低单模型分类数量,最终最优准确率达到99.9%,并且在办公室环境下通过实验验证了分类模型具有良好的抗干扰能力,解决设备克隆对硬件设备安全的威胁。第二,基于深度随机森林方法与汉明重模型,提出了用于侧信道分析的密钥恢复方法,结合加密信息,训练出适合该分类的深度随机森林模型。通过优化森林数量、单森林树木数量以及密度窗口大小达到最优模型,仿真实验证明该模型比随机森林模型具有更优准确率。第三,提出基于残差神经网络与随机森林结合的ResNet1O-RF模型。针对依据汉明重分类加密信息的电磁泄漏特征,修改残差神经网络最终分类器,采用深度学习与机器学习结合的方式,利用深度学习自提取特征特性与随机森林相结合,提高了密钥恢复准确率,并结合迁移学习方法,提高了训练速度。