第15章：侧信道分析与信号处理

侧信道攻击利用密码系统运行时的物理泄露信息（如时间、功耗、电磁辐射等）来恢复密钥或敏感数据。传统的侧信道分析需要深厚的信号处理和统计学知识，而大语言模型的引入为这一领域带来了新的突破。本章将探讨如何利用LLM增强侧信道攻击的效率和准确性，从模式识别到自动化特征提取，再到高级的深度学习集成方法。我们将深入分析各类侧信道的特性，并展示LLM如何革新传统的分析流程。

学习目标

• 理解侧信道攻击的基本原理和数学基础
• 掌握缓存时序攻击的模式识别技术
• 学习功耗分析和电磁泄露的特征提取方法
• 了解LLM在密码分析中的创新应用
• 深入理解差分功耗分析与深度学习的结合
• 实践侧信道数据的预处理和分析流程

15.1 缓存时序攻击的模式识别

缓存时序攻击利用缓存命中和缺失的时间差异来推断密钥信息。LLM可以通过学习大量的时序模式来识别微妙的泄露特征，这种能力远超传统的阈值判断方法。

15.1.1 缓存架构与攻击原理

现代处理器采用多级缓存架构来提升性能，但这也引入了时序侧信道。缓存层级的访问延迟差异构成了信息泄露的物理基础：

CPU Core
    |
    L1 Cache (32KB, ~4 cycles)
    |
    L2 Cache (256KB, ~12 cycles)
    |
    L3 Cache (8MB, ~40 cycles)
    |
    Main Memory (~200 cycles)

缓存的基本映射方式决定了攻击的可行性。对于一个n路组相联缓存，地址映射函数为：

$$\text{set_index} = \left\lfloor \frac{\text{address}}{\text{line_size}} \right\rfloor \bmod \text{num_sets}$$ 其中缓存行大小通常为64字节，组数为缓存容量除以(路数×行大小)。

包含-排斥原理(Inclusion-Exclusion)在多级缓存中起关键作用：

• 包含性(Inclusive)：L1中的数据必定在L2中，简化一致性但浪费空间
• 排斥性(Exclusive)：数据只存在于一级缓存，提高容量但增加复杂度
• 非包含非排斥(NINE)：Intel现代处理器的选择，平衡性能和复杂度

替换策略影响攻击的可预测性：

• LRU(Least Recently Used)：确定性强，易于攻击
• 伪LRU：树形结构近似，降低硬件成本
• 随机替换：增加攻击难度但性能略差

15.1.2 Prime+Probe攻击模式

Prime+Probe是最经典的缓存攻击技术，其核心步骤为：

1. Prime阶段：攻击者填充目标缓存组
2. 等待阶段：受害者执行密码运算
3. Probe阶段：测量重新访问的时间

时序模型可以表示为： $$T_{\text{probe}}(s) = \begin{cases} T_{\text{hit}} & \text{if set } s \text{ not evicted} \\ T_{\text{miss}} & \text{if set } s \text{ evicted} \end{cases}$$ 攻击的信息论分析： 设受害者访问缓存组$s$的概率为$P(s|k)$，其中$k$是密钥。攻击者观察到的时序$t$提供的信息量为： $$I(K;T) = \sum_{k,t} P(k,t) \log \frac{P(k,t)}{P(k)P(t)}$$ 理想情况下，每次观察可获得约$\log_2(n)$比特信息，其中$n$是可区分的缓存组数。

Flush+Reload变种： 利用共享内存（如动态链接库）实现更精确的攻击：

1. Flush：使用clflush指令清除目标地址
2. Wait：等待受害者执行
3. Reload：测量重新加载时间

Flush+Reload的优势：

• 细粒度：可监控单个缓存行
• 低噪声：不依赖缓存驱逐
• 跨核心：可攻击不同CPU核心的进程

15.1.3 LLM增强的模式识别

传统方法依赖手工特征提取，而LLM可以自动学习复杂的时序模式。我们构建一个基于Transformer的时序分析模型：

输入序列：$X = [t_1, t_2, ..., t_n]$ 其中 $t_i$ 是第i次内存访问的时间

嵌入层将时间值映射到高维空间： $$E(t_i) = \text{Linear}(t_i) + \text{PositionalEncoding}(i)$$ 自注意力机制捕获时序依赖： $$\text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$ 多尺度时序建模： 不同的缓存攻击模式在不同时间尺度上表现：

1. 微观尺度(~10 cycles)：单次缓存访问
2. 中观尺度(~1000 cycles)：加密轮函数
3. 宏观尺度(~100000 cycles)：完整加密操作

多头注意力捕获不同尺度的模式： $$\text{MultiHead}(Q,K,V) = \text{Concat}(\text{head}_1, ..., \text{head}_h)W^O$$ 其中每个头使用不同的注意力窗口大小。

时序异常检测： 使用变分自编码器(VAE)检测异常访问模式： $$\mathcal{L} = \mathbb{E}_{q(z|x)}[\log p(x|z)] - \text{KL}(q(z|x)||p(z))$$ 异常分数基于重构误差： $$\text{Anomaly}(x) = ||x - \text{Decoder}(\text{Encoder}(x))||^2$$

15.1.4 噪声过滤与信号增强

实际的时序测量包含大量噪声，需要预处理：

1. 滑动窗口平均： $$\bar{t}_i = \frac{1}{2w+1} \sum_{j=i-w}^{i+w} t_j$$

2. 异常值检测：使用MAD（Median Absolute Deviation）： $$\text{MAD} = \text{median}(|t_i - \text{median}(t)|)$$ 异常判定阈值： $$\text{outlier} = \{t_i : |t_i - \text{median}(t)| > k \cdot \text{MAD}\}$$ 其中$k$通常取3-5。

3. 频域滤波：通过FFT识别周期性模式： $$T(f) = \sum_{n=0}^{N-1} t_n \cdot e^{-2\pi i fn/N}$$ 自适应噪声抑制： 卡尔曼滤波器动态估计真实信号： $$\hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k(z_k - H\hat{x}_{k|k-1})$$ $$K_k = P_{k|k-1}H^T(HP_{k|k-1}H^T + R)^{-1}$$ 其中$K_k$是卡尔曼增益，$P$是误差协方差，$R$是测量噪声协方差。

小波去噪： 小波变换提供时频局部化： $$W(a,b) = \frac{1}{\sqrt{a}} \int x(t) \psi^*\left(\frac{t-b}{a}\right) dt$$ 软阈值去噪： $$\hat{w} = \text{sign}(w) \cdot \max(|w| - \lambda, 0)$$ 其中$\lambda = \sigma\sqrt{2\log N}$是通用阈值。

15.2 功耗曲线的智能分析

功耗分析攻击(Power Analysis)利用设备执行不同操作时的功耗差异来推断密钥。LLM可以识别功耗曲线中的细微模式，自动发现传统方法难以察觉的泄露点。

15.2.1 功耗泄露模型

CMOS电路的动态功耗主要来自电容充放电： $$P_{\text{dynamic}} = \alpha \cdot C \cdot V_{dd}^2 \cdot f$$ 其中α是活动因子，C是负载电容，$V_{dd}$是供电电压，f是时钟频率。

完整功耗模型包含多个组件： $$P_{\text{total}} = P_{\text{dynamic}} + P_{\text{static}} + P_{\text{short-circuit}}$$

• 动态功耗：逻辑转换时的主要功耗
• 静态功耗：漏电流造成，随工艺缩小而增加
• 短路功耗：PMOS和NMOS同时导通的瞬间

汉明重量模型描述了数据与功耗的关系： $$P \propto HW(D) = \sum_{i=0}^{n-1} d_i$$ 汉明距离模型考虑状态转换： $$P \propto HD(D_{\text{prev}}, D_{\text{curr}}) = HW(D_{\text{prev}} \oplus D_{\text{curr}})$$ 高级泄露模型：

1. 位相关模型：考虑相邻位的耦合效应 $$P = \sum_{i} \alpha_i \cdot d_i + \sum_{i,j} \beta_{ij} \cdot d_i \cdot d_j$$

2. 模板攻击模型：使用多元高斯分布 $$p(t|k) = \mathcal{N}(\mu_k, \Sigma_k)$$ 其中$\mu_k$是密钥$k$对应的平均轨迹，$\Sigma_k$是协方差矩阵。

15.2.2 简单功耗分析(SPA)

SPA通过直接观察功耗曲线来识别操作：

功耗曲线示例（RSA平方-乘法）：
  ^
P |     ___     _______     ___

P |     ___     _______     ___
  |    |   |   |       |   |   |
  |____|   |___|       |___|   |____

  +---------------------------------> t
       S       M       M       S
  (S=平方, M=乘法)

密钥位推断：

• 连续两个M操作 → 密钥位为11
• M后跟S → 密钥位为10
• S后跟S → 密钥位为0

操作识别的统计方法： 使用隐马尔可夫模型(HMM)自动识别操作序列：

状态空间：$S = \{\text{Square}, \text{Multiply}, \text{Idle}\}$

观察模型：$P(O_t|S_t) = \mathcal{N}(\mu_{S_t}, \sigma_{S_t}^2)$

转移概率： $$A_{ij} = P(S_{t+1} = j | S_t = i)$$ Viterbi算法找出最可能的状态序列： $$\delta_t(j) = \max_{i} [\delta_{t-1}(i) \cdot A_{ij}] \cdot P(O_t|S_t=j)$$ LLM增强的模式匹配： 训练Transformer识别复杂的操作模式：

1. 输入：功耗轨迹段$[p_1, ..., p_n]$
2. 输出：操作类型概率分布
3. 优势：自动学习操作特征，适应不同实现

15.2.3 差分功耗分析(DPA)

DPA使用统计方法提取微小的功耗差异：

1. 收集功耗轨迹：对N个不同明文$p_i$收集功耗$T_i(t)$

2. 中间值预测：对每个密钥猜测$k$，计算中间值： $$V_{i,k} = \text{Sbox}(p_i \oplus k)$$

3. 功耗模型： $$H_{i,k} = HW(V_{i,k})$$

4. 相关性分析： $$\rho_{k,t} = \frac{\text{cov}(H_k, T(t))}{\sigma_{H_k} \cdot \sigma_{T(t)}}$$ 正确密钥在相关时刻会产生最高相关性。

相关功耗分析(CPA)的优化：

增量相关性计算减少计算复杂度： $$\rho_{n+1} = \frac{n\rho_n + (x_{n+1} - \bar{x}_n)(y_{n+1} - \bar{y}_n)/\sigma_x\sigma_y}{n+1}$$ 互信息分析(MIA)： 不依赖线性关系假设： $$I(K;T) = \sum_{k,t} p(k,t) \log \frac{p(k,t)}{p(k)p(t)}$$ 使用核密度估计近似概率分布： $$\hat{p}(t) = \frac{1}{Nh} \sum_{i=1}^N K\left(\frac{t-t_i}{h}\right)$$ 高阶DPA： 攻击掩码防护需要组合多个时间点： $$\rho_{k,t_1,t_2} = \text{corr}(H_k, T(t_1) \cdot T(t_2))$$ 组合复杂度随阶数指数增长，LLM可以学习最优组合策略。

15.2.4 LLM辅助的轨迹对齐

功耗轨迹常存在时间偏移，LLM可以学习对齐模式：

1. 动态时间规整(DTW)： $$DTW(X,Y) = \min_{\pi} \sum_{(i,j) \in \pi} d(x_i, y_j)$$ 递推关系： $$D(i,j) = d(x_i, y_j) + \min\{D(i-1,j), D(i,j-1), D(i-1,j-1)\}$$

2. 基于注意力的对齐： $$\text{Alignment}(i,j) = \frac{\exp(s_{ij})}{\sum_k \exp(s_{ik})}$$ 其中$s_{ij}$是查询$q_i$和键$k_j$的相似度分数。

弹性对齐网络(EAN)： 结合CNN特征提取和注意力机制：

1. 特征提取：$F_X = \text{CNN}(X)$, $F_Y = \text{CNN}(Y)$
2. 相似度矩阵：$S_{ij} = F_X^i \cdot F_Y^j$
3. 软对齐：$\tilde{Y}_i = \sum_j \alpha_{ij} Y_j$
4. 损失函数：$L = ||X - \tilde{Y}||^2 + \lambda \cdot \text{Entropy}(\alpha)$

模式识别触发器： 使用已知模式作为锚点进行对齐：

1. 识别特征操作（如S-box访问）
2. 计算互相关找到最佳偏移
3. 分段对齐处理时钟漂移 $$\text{offset} = \arg\max_\tau \sum_t x(t) \cdot y(t+\tau)$$

15.3 电磁泄露的特征提取

电磁辐射(EM)攻击利用设备运行时产生的电磁场变化，相比功耗分析具有非侵入性和空间分辨率高的优势。

15.3.1 电磁泄露原理

根据麦克斯韦方程，变化的电流产生磁场： $$\nabla \times \vec{B} = \mu_0 \vec{J} + \mu_0 \epsilon_0 \frac{\partial \vec{E}}{\partial t}$$ 近场区域（$r << \lambda/2\pi$），磁场强度与电流成正比： $$B \propto \frac{I}{r^2}$$

15.3.2 频谱分析与特征提取

电磁信号包含丰富的频率成分：

1. 短时傅里叶变换(STFT)： $$STFT(t,f) = \int_{-\infty}^{\infty} x(\tau) \cdot w(\tau-t) \cdot e^{-j2\pi f\tau} d\tau$$

2. 小波变换：提供时频局部化 $$CWT(a,b) = \frac{1}{\sqrt{a}} \int x(t) \psi^*\left(\frac{t-b}{a}\right) dt$$

3. 谱图特征： - 基频：处理器时钟频率 - 谐波：基频的整数倍 - 调制边带：数据依赖的频率偏移

15.3.3 空间定位与聚焦

EM探头位置影响信号质量：

芯片布局与EM热点：
+----------------+
|  Cache  | ALU  |  <- 高泄露区域

|  Cache  | ALU  |  <- 高泄露区域
|---------|------|
|  Ctrl   | Reg  |  <- 中等泄露
|---------|------|
|   I/O   | Bus  |  <- 低泄露

+----------------+

最优探测位置通过信噪比(SNR)评估： $$SNR = 10 \log_{10}\left(\frac{P_{\text{signal}}}{P_{\text{noise}}}\right)$$

15.3.4 LLM的多模态分析

结合时域、频域和空间信息：

1. 特征融合网络： $$F_{\text{fusion}} = \text{Concat}(F_{\text{time}}, F_{\text{freq}}, F_{\text{space}})$$

2. 跨模态注意力： $$\text{CrossAttention}(Q_{\text{time}}, K_{\text{freq}}, V_{\text{freq}})$$

15.4 LLM在密码分析中的应用

LLM不仅能增强物理攻击，还能直接参与密码分析过程。

15.4.1 密码算法的语义理解

LLM可以理解密码算法的高层逻辑：

1. 算法识别：从汇编代码识别密码原语
2. 参数推断：确定轮数、密钥长度等
3. 实现特征：识别优化技巧和防护措施

15.4.2 差分密码分析增强

差分特征的概率计算： $$P(\Delta X \rightarrow \Delta Y) = \frac{#\{X : S(X) \oplus S(X \oplus \Delta X) = \Delta Y\}}{2^n}$$ LLM可以：

1. 预测高概率差分路径
2. 优化差分特征搜索
3. 识别弱密钥类

15.4.3 线性密码分析辅助

线性逼近的偏差： $$\epsilon = \left|P\left(\bigoplus_{i \in I} x_i = \bigoplus_{j \in J} y_j\right) - \frac{1}{2}\right|$$ LLM应用：

1. 构造线性逼近链
2. 估计累积偏差
3. 优化密钥恢复策略

15.4.4 代数攻击与SAT求解

将密码系统建模为布尔方程组： $$f_i(x_1, ..., x_n, k_1, ..., k_m) = c_i, \quad i = 1, ..., l$$ LLM辅助：

1. 生成高效的CNF编码
2. 预测SAT求解器性能
3. 简化方程系统

15.5 高级话题：差分功耗分析与深度学习的结合

深度学习为DPA带来了革命性改进，无需手工选择功耗模型。

15.5.1 端到端的深度DPA

传统DPA流程：

轨迹 → 预处理 → 特征提取 → 统计分析 → 密钥恢复

深度DPA流程：

轨迹 → 神经网络 → 密钥概率分布

网络架构设计：

1. 卷积层：提取局部特征 $$y_i = \sigma\left(\sum_{j} w_j \cdot x_{i+j} + b\right)$$

2. 循环层：捕获时序依赖 $$h_t = \tanh(W_h h_{t-1} + W_x x_t + b)$$

3. 注意力层：聚焦关键时刻 $$\alpha_t = \frac{\exp(e_t)}{\sum_j \exp(e_j)}$$

15.5.2 对抗训练与防护评估

生成对抗样本测试防护措施： $$x_{\text{adv}} = x + \epsilon \cdot \text{sign}(\nabla_x L(f(x), y))$$ 防护措施的鲁棒性评估：

1. 最小扰动距离：成功攻击所需的最小噪声
2. 成功率曲线：不同SNR下的攻击成功率
3. 信息论界限：理论最优攻击的性能

15.5.3 迁移学习与少样本攻击

利用预训练模型加速新设备的攻击：

1. 域适应： $$L = L_{\text{task}} + \lambda \cdot L_{\text{domain}}$$

2. 元学习： $$\theta' = \theta - \alpha \nabla_\theta L_{\text{support}}$$ $$\theta^* = \arg\min_\theta L_{\text{query}}(\theta')$$

3. 少样本学习：仅需少量目标设备的轨迹

15.5.4 可解释性与攻击洞察

理解深度模型的决策过程：

1. 梯度可视化： $$R_i = \left|\frac{\partial L}{\partial x_i}\right|$$

2. 激活映射： $$CAM = \sum_k w_k \cdot A_k$$

3. SHAP值：量化特征贡献 $$\phi_i = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|!(n-|S|-1)!}{n!}[v(S \cup \{i\}) - v(S)]$$

本章小结

本章深入探讨了侧信道分析与信号处理领域中LLM的创新应用。我们从缓存时序攻击的基础原理出发，展示了如何利用Transformer架构自动识别复杂的时序模式。在功耗分析部分，我们详细介绍了SPA和DPA的数学基础，以及LLM如何辅助轨迹对齐和噪声过滤。电磁泄露分析展示了多模态信息融合的优势，而密码分析部分则说明了LLM在理解算法语义和优化攻击策略方面的潜力。

关键要点：

1. 模式识别能力：LLM能够从海量的侧信道数据中自动学习泄露模式，无需手工特征工程
2. 多模态融合：结合时域、频域和空间信息能显著提升攻击效果
3. 端到端学习：深度学习使得从原始轨迹直接到密钥恢复成为可能
4. 迁移学习优势：预训练模型可以大幅减少新目标所需的攻击样本数
5. 理论与实践结合：信息论界限为攻击效果提供了理论保证

核心公式回顾：

• 缓存映射：$\text{set_index} = \lfloor \text{address}/\text{line_size} \rfloor \bmod \text{num_sets}$
• 汉明重量模型：$P \propto HW(D) = \sum_{i=0}^{n-1} d_i$
• DPA相关性：$\rho_{k,t} = \text{cov}(H_k, T(t))/(\sigma_{H_k} \cdot \sigma_{T(t)})$
• 注意力机制：$\text{Attention}(Q,K,V) = \text{softmax}(QK^T/\sqrt{d_k})V$

练习题

练习15.1：缓存攻击基础

设计一个Prime+Probe攻击来恢复AES密钥的第一个字节。假设你知道AES查找表的地址，缓存为4路组相联，共64个组，每个缓存行64字节。

提示：考虑AES的S-box访问模式与密钥字节的关系。

练习15.2：功耗模型选择

比较汉明重量(HW)模型和汉明距离(HD)模型在不同场景下的适用性。给出一个HD模型比HW模型更准确的具体例子。

提示：考虑硬件实现中的寄存器更新操作。

练习15.3：DPA攻击实现

实现一个针对AES第一轮的DPA攻击。给定1000条功耗轨迹，每条包含10000个采样点，如何高效地恢复16字节密钥？

提示：利用AES的字节独立性，可以逐字节攻击。

for k_guess in range(256):
    for trace_idx in range(1000):
        # 计算中间值
        v = Sbox[plaintext[trace_idx][i] ^ k_guess]
        # 功耗假设
        h[trace_idx] = HW(v)
    # 计算相关性
    for t in range(10000):
        corr[k_guess][t] = pearson(h, traces[:, t])

练习15.4：电磁频谱分析

设计一个基于STFT的方法来识别RSA模幂运算中的平方和乘法操作。时钟频率为100MHz，采样率为1GHz。

提示：平方和乘法操作的频谱特征不同。

练习15.5：深度学习DPA（挑战题）

设计一个CNN架构用于DPA攻击，输入是长度为5000的功耗轨迹，输出是256个密钥候选的概率分布。讨论架构选择的理由。

提示：考虑局部特征提取和全局信息整合。

Input(5000) → Conv1D(64, 11) → MaxPool(2) 
→ Conv1D(128, 7) → MaxPool(2)
→ Conv1D(256, 5) → GlobalAvgPool
→ Dense(512) → Dropout(0.3)
→ Dense(256, softmax)

练习15.6：LLM辅助密码分析（挑战题）

设计一个系统，使用LLM来自动识别二进制代码中的密码算法实现，并生成相应的侧信道攻击策略。

提示：结合静态分析、模式匹配和攻击知识库。

分析以下汇编代码，识别：

1. 使用的密码算法
2. 实现优化（查表、位切片等）
3. 防护措施（掩码、打乱等）
4. 潜在的侧信道泄露点

练习15.7：防护措施评估（开放题）

提出一种新的侧信道防护方法，结合掩码和隐藏技术，并分析其安全性和性能开销。

提示：考虑高阶攻击和实现复杂度的平衡。

masked_sbox(x, m):
    r1, r2 = random_masks()
    x1 = x ^ m ^ r1
    x2 = dummy_value ^ r2
    if random_bit():
        y1 = sbox_masked[x1] ^ r1
        y2 = sbox_masked[x2] ^ r2  # dummy
    else:
        y2 = sbox_masked[x2] ^ r2  # dummy
        y1 = sbox_masked[x1] ^ r1
    return y1 ^ m

练习15.8：跨设备攻击迁移（研究题）

研究如何将在设备A上训练的DPA模型迁移到设备B，两个设备使用相同的密码算法但不同的硬件实现。

提示：领域适应和不变特征学习。

Base Model (Device A) → Feature Extractor
                       ↓
                  Domain Adapter
                       ↓
                 Fine-tuning (Device B)

常见陷阱与错误

1. 测量设置错误

• 错误：采样率设置过低，丢失关键信息
• 正确：采样率至少为目标信号最高频率的2倍（奈奎斯特定理）
• 调试：检查频谱图确认没有混叠

2. 轨迹对齐问题

• 错误：直接对未对齐的轨迹进行DPA
• 正确：使用模式匹配或DTW进行预对齐
• 调试：可视化多条轨迹的叠加图

3. 噪声处理不当

• 错误：过度滤波导致信息损失
• 正确：保留信号频带，仅滤除带外噪声
• 调试：比较滤波前后的SNR

4. 功耗模型选择

• 错误：盲目使用汉明重量模型
• 正确：根据目标设备特性选择合适模型
• 调试：尝试多种模型，比较相关性

5. 统计显著性忽视

• 错误：使用过少的轨迹得出结论
• 正确：计算置信区间和p值
• 调试：增加轨迹数量观察收敛性

6. 防护措施低估

• 错误：假设简单的一阶攻击总是有效
• 正确：考虑高阶攻击和组合方法
• 调试：分析防护机制的具体实现

7. 环境因素忽略

• 错误：忽视温度、电源噪声的影响
• 正确：控制实验环境，记录环境参数
• 调试：重复实验验证结果稳定性

8. 过拟合问题

• 错误：深度模型在训练集上表现好但泛化差
• 正确：使用正则化、数据增强、交叉验证
• 调试：监控验证集性能

最佳实践检查清单

实验设计

• [ ] 明确定义攻击目标和成功标准
• [ ] 选择合适的测量设备和参数
• [ ] 设计对照实验验证攻击效果
• [ ] 记录完整的实验配置和环境
• [ ] 考虑伦理和法律约束

数据采集

• [ ] 验证触发信号的准确性
• [ ] 确保采样率满足奈奎斯特定理
• [ ] 实施适当的抗混叠滤波
• [ ] 收集足够数量的轨迹（统计显著性）
• [ ] 保存原始数据便于后续分析

预处理流程

• [ ] 检查并去除明显的异常轨迹
• [ ] 执行必要的对齐操作
• [ ] 应用适当的降噪技术
• [ ] 标准化数据范围
• [ ] 验证预处理没有丢失关键信息

攻击实施

• [ ] 选择合适的泄露模型
• [ ] 实现高效的相关性计算
• [ ] 使用多种区分器交叉验证
• [ ] 考虑高阶攻击的可能性
• [ ] 记录中间结果便于调试

结果分析

• [ ] 计算攻击的成功率和置信度
• [ ] 评估所需的数据复杂度
• [ ] 分析失败案例找出原因
• [ ] 比较不同方法的效果
• [ ] 讨论攻击的实际可行性

防护评估

• [ ] 测试现有防护措施的有效性
• [ ] 评估防护的性能开销
• [ ] 考虑防护的可组合性
• [ ] 验证防护不引入新的漏洞
• [ ] 提供改进建议

模型开发（深度学习）

• [ ] 设计合理的网络架构
• [ ] 实施数据增强策略
• [ ] 监控训练过程防止过拟合
• [ ] 评估模型的可解释性
• [ ] 测试模型的迁移能力

文档记录

• [ ] 详细记录实验步骤
• [ ] 保存所有配置文件
• [ ] 记录异常情况和解决方法
• [ ] 编写可重现的分析脚本
• [ ] 撰写清晰的技术报告