機器學習的優點
優點很明顯，機器學習側信道攻擊可以快速的分類能量軌跡攜帶秘鑰的漢明重量，在某些受限情況下（比如3次失敗就鎖定），更有效果。
對齊？還是不對齊？
使用CNN可以攻擊非對齊的能量軌跡，但是我試了使用fft之后的頻域曲線進行攻擊，效果也不錯。如果能量軌跡采集的時候不對齊，攻擊的效果會下降，建議還是對齊一下，性價比比較高。
特征點提取問題
傳統的提取方式，提取出來的點都是來自與同一個線性特征，無法提取非線性特征，PCA在這個情況下比較好，無論時域還是頻域。
特征點指標
理想情況下，隨着特征點的增加，應該是信息量越來越大，噪音縮小。但是如果隨着特征點增加，條件數也越來越大的話，說明增加的線性特征高於了非線性特征，引入了更多的噪音。
展望
看了一個論文，使用 fastdtw對齊+PCA特征點提取+MLP分類 我感覺這個思路去解決非對齊曲線應該是最優的。我本來也是想這么去做的，但是由於時間原因就少了dtw改用了頻域，效果也很好。
總之，就我目前的實驗來看，我感覺不對齊直接用CNN，雖然看着簡便，但是是性價比很低的方法，對於高防御度的芯片另算。
代碼
我的畢設代碼在github上，寫的有點丑
https://github.com/backahasten/Simple-deep-learning-SCA
希望大佬們賞一個star， QAQ