一、模板攻擊原理

模板攻擊（Template Attacks, TA）是一種高效的側信道分析方法，利用密碼設備運行時的物理泄漏信息（如功耗）恢復密鑰。其核心思想是通過建模密鑰相關中間值的泄漏特征，構建攻擊模板。模板攻擊分為兩個階段：
模板構建：在已知密鑰條件下，采集大量功耗曲線并計算中間值（如S盒輸出的漢明重量）。針對每個可能的中間值（0-8），計算其對應的平均功耗曲線作為模板。這些模板表征了不同中間值在硬件上的獨特功耗特征，形成"指紋庫"。
模板匹配：攻擊未知密鑰時，采集目標設備的功耗曲線。對于每條新曲線，計算其與所有模板的歐氏距離。通過最大似然估計，選擇最匹配的模板對應的中間值，進而推導出密鑰字節。此過程實質是將實測功耗與預存模板進行模式匹配。

相較于CPA等分析方法，模板攻擊直接建立中間值與原始功耗的映射關系，避免了對泄漏模型的線性假設。它通過多變量統計分析捕獲更復雜的功耗特征，在相同曲線數量下通常具有更高的攻擊效率，尤其適合對抗防護措施較強的設備。

二、Python實現

運行代碼前先激活Python環境，并執行pip install numpy tqdm trsfile matplotlib安裝需要的庫。另外保存能量跡數據的trsfile文件可以在采集自AES算法無防護純軟件實現的功耗曲線?免費下載。

1. 數據加載與預處理

load_trs_to_dict()函數負責解析.trs格式的功耗文件。該格式專用于存儲側信道數據，包含曲線采樣點和加密參數（如明文）。函數讀取文件頭信息后，按指定范圍提取曲線數據，同時將關聯的明文參數結構化存儲。

get_intermediate_values()計算攻擊所需的中間值矩陣。基于漢明重量泄漏模型，對每條曲線的目標字節位置，計算真實密鑰（已知）和256種假設密鑰的S盒輸出值。通過預計算的漢明重量查找表（HW_ARRAY）高效生成中間值向量，避免重復計算S盒操作。

2. 模板構建與概率計算

build_template()實現核心模板構建邏輯。按漢明重量值0-8分組曲線，計算每組的平均功耗曲線。該函數輸出9×N的模板矩陣（N為采樣點數），每行代表特定中間值對應的功耗特征向量。

ProbCalculator類管理密鑰概率計算。其update()方法計算新曲線與所有模板的歐氏距離平方和（即似然度），累加到密鑰假設向量。隨著曲線增加，正確密鑰的累積似然度將顯著低于錯誤假設。

3. 攻擊執行與評估

single_attack()執行單次模板攻擊。采用分批處理策略，每新增若干曲線即更新密鑰概率。通過np.argsort計算真實密鑰的當前排名（Guess Entropy），排名為0時表示成功恢復密鑰。

guess_entropy()進行魯棒性評估。通過1000次隨機排列實驗，統計不同曲線數量下的成功率（SR）和猜測熵（GE）。關鍵指標包括：SR>0.9所需曲線數、GE降為0所需曲線數，結果自動保存至文本文件。

具體代碼如下：

"""
對AES算法的軟件實現進行簡單模板攻擊（TA）的Python代碼
泄漏模型：S盒輸出的漢明重量
運行前先激活Python環境，執行pip install numpy tqdm trsfile matplotlib命令安裝所需的庫
'AES_POWER_STM32F_NO-PROTECT_60000.trs'是功耗曲線文件，請點擊https://download.csdn.net/download/weixin_43261410/91057055免費下載
查看.trs格式文件介紹請瀏覽https://blog.csdn.net/weixin_43261410/article/details/148737286?fromshare=blogdetail&sharetype=blogdetail&sharerId=148737286&sharerefer=PC&sharesource=weixin_43261410&sharefrom=from_link
"""import os
import numpy as np
from tqdm import tqdm  # 用于顯示進度條
from trsfile import trs_open  # 用于讀取.trs格式的側信道數據文件
import matplotlib.pyplot as plt  # 用于畫圖AES_SBOX = np.array([0x63, 0x7C, 0x77, 0x7B, 0xF2, 0x6B, 0x6F, 0xC5, 0x30, 0x01, 0x67, 0x2B, 0xFE, 0xD7, 0xAB, 0x76,0xCA, 0x82, 0xC9, 0x7D, 0xFA, 0x59, 0x47, 0xF0, 0xAD, 0xD4, 0xA2, 0xAF, 0x9C, 0xA4, 0x72, 0xC0,0xB7, 0xFD, 0x93, 0x26, 0x36, 0x3F, 0xF7, 0xCC, 0x34, 0xA5, 0xE5, 0xF1, 0x71, 0xD8, 0x31, 0x15,0x04, 0xC7, 0x23, 0xC3, 0x18, 0x96, 0x05, 0x9A, 0x07, 0x12, 0x80, 0xE2, 0xEB, 0x27, 0xB2, 0x75,0x09, 0x83, 0x2C, 0x1A, 0x1B, 0x6E, 0x5A, 0xA0, 0x52, 0x3B, 0xD6, 0xB3, 0x29, 0xE3, 0x2F, 0x84,0x53, 0xD1, 0x00, 0xED, 0x20, 0xFC, 0xB1, 0x5B, 0x6A, 0xCB, 0xBE, 0x39, 0x4A, 0x4C, 0x58, 0xCF,0xD0, 0xEF, 0xAA, 0xFB, 0x43, 0x4D, 0x33, 0x85, 0x45, 0xF9, 0x02, 0x7F, 0x50, 0x3C, 0x9F, 0xA8,0x51, 0xA3, 0x40, 0x8F, 0x92, 0x9D, 0x38, 0xF5, 0xBC, 0xB6, 0xDA, 0x21, 0x10, 0xFF, 0xF3, 0xD2,0xCD, 0x0C, 0x13, 0xEC, 0x5F, 0x97, 0x44, 0x17, 0xC4, 0xA7, 0x7E, 0x3D, 0x64, 0x5D, 0x19, 0x73,0x60, 0x81, 0x4F, 0xDC, 0x22, 0x2A, 0x90, 0x88, 0x46, 0xEE, 0xB8, 0x14, 0xDE, 0x5E, 0x0B, 0xDB,0xE0, 0x32, 0x3A, 0x0A, 0x49, 0x06, 0x24, 0x5C, 0xC2, 0xD3, 0xAC, 0x62, 0x91, 0x95, 0xE4, 0x79,0xE7, 0xC8, 0x37, 0x6D, 0x8D, 0xD5, 0x4E, 0xA9, 0x6C, 0x56, 0xF4, 0xEA, 0x65, 0x7A, 0xAE, 0x08,0xBA, 0x78, 0x25, 0x2E, 0x1C, 0xA6, 0xB4, 0xC6, 0xE8, 0xDD, 0x74, 0x1F, 0x4B, 0xBD, 0x8B, 0x8A,0x70, 0x3E, 0xB5, 0x66, 0x48, 0x03, 0xF6, 0x0E, 0x61, 0x35, 0x57, 0xB9, 0x86, 0xC1, 0x1D, 0x9E,0xE1, 0xF8, 0x98, 0x11, 0x69, 0xD9, 0x8E, 0x94, 0x9B, 0x1E, 0x87, 0xE9, 0xCE, 0x55, 0x28, 0xDF,0x8C, 0xA1, 0x89, 0x0D, 0xBF, 0xE6, 0x42, 0x68, 0x41, 0x99, 0x2D, 0x0F, 0xB0, 0x54, 0xBB, 0x16
], dtype=np.uint8)# 漢明重量查找表，用于快速計算一個字節的漢明重量(二進制中1的個數)
HW_ARRAY = np.array([0, 1, 1, 2, 1, 2, 2, 3, 1, 2, 2, 3, 2, 3, 3, 4,1, 2, 2, 3, 2, 3, 3, 4, 2, 3, 3, 4, 3, 4, 4, 5,1, 2, 2, 3, 2, 3, 3, 4, 2, 3, 3, 4, 3, 4, 4, 5,2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,1, 2, 2, 3, 2, 3, 3, 4, 2, 3, 3, 4, 3, 4, 4, 5,2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,3, 4, 4, 5, 4, 5, 5, 6, 4, 5, 5, 6, 5, 6, 6, 7,1, 2, 2, 3, 2, 3, 3, 4, 2, 3, 3, 4, 3, 4, 4, 5,2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,3, 4, 4, 5, 4, 5, 5, 6, 4, 5, 5, 6, 5, 6, 6, 7,2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,3, 4, 4, 5, 4, 5, 5, 6, 4, 5, 5, 6, 5, 6, 6, 7,3, 4, 4, 5, 4, 5, 5, 6, 4, 5, 5, 6, 5, 6, 6, 7,4, 5, 5, 6, 5, 6, 6, 7, 5, 6, 6, 7, 6, 7, 7, 8
])def load_trs_to_dict(trs_file_path: str, start_trace: int = None, end_trace: int = None):"""加載.trs文件到字典結構中參數:trs_file_path: .trs文件路徑start_trace: 起始能量曲線索引(可選)end_trace: 結束能量曲線索引(可選)返回:包含頭信息、能量曲線數據和額外參數的字典"""header, traces, param = {}, [], {}with trs_open(trs_file_path, 'r') as trs_file:# 讀取文件頭信息for key, value in trs_file.get_headers().items():header[key.name] = value# 處理能量曲線范圍number_traces = header['NUMBER_TRACES']start_trace = 0 if start_trace is None else min(start_trace, number_traces - 1)end_trace = number_traces if end_trace is None else min(end_trace, number_traces)header['NUMBER_TRACES'] = end_trace - start_trace# 初始化能量曲線數據數組traces = np.zeros((header['NUMBER_TRACES'], header['NUMBER_SAMPLES']), dtype=np.float32)# 初始化參數數組param = {}for key in trs_file[0].parameters:param_len = len(trs_file[0].parameters[key].value)param[key] = np.zeros((header['NUMBER_TRACES'], param_len), dtype=np.uint8)# 讀取能量曲線數據和參數for i, trace in enumerate(trs_file[start_trace:end_trace]):for key in trace.parameters:param[key][i] = trace.parameters[key].valuetraces[i] = np.array(trace.samples)# 返回結構化數據trs_dict = {"HEADER": header,"TRACES": traces,"PARAM": param}return trs_dictdef get_intermediate_values(plaintext, target_byte, real_key):"""生成中間值矩陣(基于漢明重量模型)參數:plaintext: 明文數組 (N x 16)target_byte: 目標字節位置(0-15)real_key: 真實密鑰字節返回:actual: 真實中間值向量(長度等于能量曲線數量)hypo: 假設中間值矩陣(能量曲線數量 × 256種密鑰假設)"""# 計算真實的S盒輸入actual_sbox_in = plaintext[:, target_byte] ^ real_key# 計算S盒輸出actual_sbox_out = AES_SBOX[actual_sbox_in]# 計算漢明重量作為功耗模型actual = HW_ARRAY[actual_sbox_out]# 生成256種可能的密鑰假設hypo_key = np.array(range(256), np.uint8)# 計算S盒輸入hypo_sbox_in = np.array([pt ^ hypo_key for pt in plaintext[:, target_byte]], np.uint8)# 計算S盒輸出hypo_sbox_out = AES_SBOX[hypo_sbox_in]# 將漢明重量作為功耗模型hypo = HW_ARRAY[hypo_sbox_out]return actual, hypoclass ProbCalculator():"""計算密鑰假設的似然概率"""def __init__(self):# 初始化密鑰假設的似然累加器self.guess_key_likelihood = np.zeros((256))def update(self, traces, hypo, template):"""更新似然值參數:traces: 當前批次的能量曲線hypo: 當前批次的假設中間值template: 構建的模板(9個漢明重量對應的平均功耗曲線)"""# 轉置模板以便后續計算template = template.transpose()# 計算所有密鑰假設的平方差ln_likelihood = np.sum((traces[:, :, None] - template) ** 2, axis=1)# 累加每個密鑰假設的似然值guess_key_likelihood = np.sum([ln_likelihood[i, hypo[i]] for i in range(traces.shape[0])], axis=0)self.guess_key_likelihood = self.guess_key_likelihood + guess_key_likelihooddef __call__(self):"""返回當前似然值向量"""return self.guess_key_likelihooddef build_template(traces, actual):"""構建模板：計算每個漢明重量(0-8)對應的平均功耗曲線參數:traces: 用于構建模板的能量曲線actual: 每條曲線對應的真實漢明重量返回:template: 模板矩陣(9 x 曲線長度)"""template = np.zeros((9, traces.shape[1]))for i in range(9):# 找到所有漢明重量為i的曲線索引index = np.where(actual == i)[0]# 計算這些曲線的平均功耗template[i] = np.mean(traces[index], axis=0)return templatedef single_attack(traces, hypo, template, real_key, index):"""執行單次TA攻擊參數:traces: 能量曲線數據hypo: 假設中間值數據template: 構建的模板real_key: 真實密鑰字節(用于評估攻擊效果)index: 分批處理的索引列表返回:key_rank_list: 每次更新后真實密鑰的排名列表"""# 初始化概率計算器probability = ProbCalculator()key_rank_list = []# 分批處理能量曲線數據for i in range(len(index) - 1):# 獲取當前批次的曲線和中間值start_idx = index[i]end_idx = index[i + 1]current_traces = traces[start_idx:end_idx]current_hypo = hypo[start_idx:end_idx]# 更新密鑰似然值probability.update(current_traces, current_hypo, template)# 獲取當前所有密鑰假設的似然值prob = probability()# 計算密鑰排名（似然值越小排名越高）prob_sort = np.argsort(np.argsort(prob))# 記錄真實密鑰的當前排名key_rank = prob_sort[real_key]key_rank_list.append(key_rank)return key_rank_listdef guess_entropy(traces, hypo, template, real_key, result_path='result.txt', repeat_n=100, sample=500, header='', step=1):"""計算猜測熵和成功率參數:traces: 能量曲線數據hypo: 假設中間值數據template: 構建的模板real_key: 真實密鑰字節result_path: 結果保存路徑repeat_n: 重復實驗次數sample: 每次實驗使用的能量曲線數量header: 結果文件頭部信息step: 能量曲線數量增加的步長"""def get_value_n(arr, value, traces_number, less):"""輔助函數: 獲取達到特定值所需的最少能量曲線數量"""if less:mask = arr <= valueelse:mask = arr >= valuevalid_index = np.cumprod(mask[::-1])[::-1]valid_index = np.where(valid_index)[0]return traces_number[valid_index[0]] if len(valid_index) > 0 else None# 設置分批索引列表index = [i for i in range(0, sample, step)]index.append(sample)# 準備隨機排列key_rank_arr = []permutations = np.zeros((repeat_n, sample), dtype=int)for i in range(repeat_n):permutations[i] = np.random.permutation(traces.shape[0])[:sample]# 多次重復實驗for i in tqdm(range(repeat_n)):traces_random = traces[permutations[i]]hypo_random = hypo[permutations[i]]key_rank_list = single_attack(traces_random, hypo_random, template, real_key, index)key_rank_arr.append(key_rank_list)key_rank_arr = np.array(key_rank_arr)traces_number = np.array(index[1:])# 計算猜測熵guess_entropy = np.mean(key_rank_arr, axis=0)guess_entropy_10 = get_value_n(guess_entropy, 10, traces_number, True)guess_entropy_1 = get_value_n(guess_entropy, 1, traces_number, True)guess_entropy_0 = get_value_n(guess_entropy, 0, traces_number, True)# 計算成功率success_rate = np.mean(key_rank_arr < 10, axis=0)  # 排名小于10被認為攻擊成功success_rate_p9 = get_value_n(success_rate, 0.9, traces_number, False)success_rate_p99 = get_value_n(success_rate, 0.99, traces_number, False)success_rate_1 = get_value_n(success_rate, 1, traces_number, False)# 保存結果到文件mode = 'a' if os.path.exists(result_path) else 'w'with open(result_path, mode, encoding='utf-8') as f:f.write(header)trs_n = ' '.join(f"{int(x)}" for x in traces_number)f.write('traces number: ' + trs_n + '\n')success_rate = ' '.join(f"{x:.2f}" for x in success_rate)f.write('success rate: ' + success_rate + '\n')guess_entropy = ' '.join(f"{x:.2f}" for x in guess_entropy)f.write('guess entropy: ' + guess_entropy + '\n')f.write(f'tips: When guess entropy equals 10, 1, or 0, the corresponding traces number are {guess_entropy_10}, {guess_entropy_1}, and {guess_entropy_0}.\n')f.write(f'tips: When success rate equals 0.9, 0.99, or 1, the corresponding traces number are {success_rate_p9}, {success_rate_p99}, and {success_rate_1}.\n\n')def show_result():"""可視化攻擊結果從result.txt文件中讀取數據并繪制成功率與猜測熵曲線"""result_path = 'result.txt'# 讀取結果文件with open(result_path, 'r', encoding='utf-8') as f:lines = f.readlines()# 初始化數據列表traces = []success_rate = []guess_entropy = []# 解析結果文件for line in lines:if line.startswith('traces number:'):traces = list(map(int, line.split(':')[1].strip().split()))elif line.startswith('success rate:'):success_rate = list(map(float, line.split(':')[1].strip().split()))elif line.startswith('guess entropy:'):guess_entropy = list(map(float, line.split(':')[1].strip().split()))# 檢查是否成功讀取數據if not traces or not success_rate or not guess_entropy:print("Error: Could not find valid data in result file.")return# 創建圖形和雙軸fig, ax1 = plt.subplots(figsize=(12, 6))# 繪制成功率曲線（左軸，藍色）color = 'tab:blue'ax1.set_xlabel('Number of Traces', fontsize=12)ax1.set_ylabel('Success Rate', color=color, fontsize=12)ax1.plot(traces, success_rate, color=color, label='Success Rate', linewidth=2)ax1.tick_params(axis='y', labelcolor=color)ax1.grid(True, linestyle='--', alpha=0.7)ax1.set_ylim(0, 1.05)  # 設置成功率y軸范圍# 創建第二個y軸用于猜測熵ax2 = ax1.twinx()color = 'tab:red'ax2.set_ylabel('Guess Entropy', color=color, fontsize=12)ax2.plot(traces, guess_entropy, color=color, label='Guess Entropy', linewidth=2)ax2.tick_params(axis='y', labelcolor=color)ax2.set_ylim(0, 256)  # 固定猜測熵y軸范圍為0-256# 添加圖例lines1, labels1 = ax1.get_legend_handles_labels()lines2, labels2 = ax2.get_legend_handles_labels()ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper right', fontsize=10)# 添加標題plt.title('TA Attack Performance: Success Rate and Guess Entropy', fontsize=14, pad=20)# 調整布局并保存圖像（同時保存svg格式和png格式）fig.tight_layout()plt.savefig('result.svg', format='svg', bbox_inches='tight')plt.savefig('result.png', dpi=600, bbox_inches='tight')plt.show()def test():"""測試函數：執行完整的模板攻擊流程"""target_byte = 0  # 攻擊的字節位置(0表示第一個字節)traces_build_n = 50000  # 用于構建模板的曲線數量# 主密鑰（16字節）mkey = [0x01, 0x23, 0x45, 0x67, 0x89, 0xab, 0xcd, 0xef, 0xfe, 0xdc, 0xba, 0x98, 0x76, 0x54, 0x32, 0x10]# 加載能量曲線數據trs_path = 'AES_POWER_STM32F_NO-PROTECT_60000.trs'trs_dict = load_trs_to_dict(trs_path)traces, plaintext = trs_dict['TRACES'], trs_dict['PARAM']['plaintext']# 生成真實中間值向量和假設中間值矩陣actual, hypo = get_intermediate_values(plaintext, target_byte, mkey[target_byte])# 分割數據集：構建模板和攻擊評估traces_build, traces_match = traces[:traces_build_n], traces[traces_build_n:]actual_build, hypo_match = actual[:traces_build_n], hypo[traces_build_n:]# 構建模板template = build_template(traces_build, actual_build)# 設置實驗參數repeat_n = 1000  # 重復次數sample = 100     # 每次實驗使用的能量曲線數量step = 1         # 能量曲線數量增加的步長# 執行猜測熵分析guess_entropy(traces_match, hypo_match, template, mkey[target_byte], repeat_n=repeat_n, sample=sample, step=step)# 可視化結果show_result()if __name__ == '__main__':test()

三、實現結果

攻擊目標為AES首字節密鑰（真實值0x01），使用STM32F3設備的60,000條功耗曲線。前50,000條構建模板，后10,000條用于評估。實驗顯示：當使用17條曲線時，成功率已達90%；當曲線增至26條時，猜測熵降為1，成功率99%以上。

可視化結果呈現兩條關鍵曲線：藍色成功率曲線呈對數增長，40條曲線內趨近100%；紅色猜測熵曲線快速下降，30條曲線后趨近0。這表明模板攻擊對未防護設備極其高效，驗證了漢明重量模型的適用性。

四、總結

本文通過Python實現了針對AES算法的模板攻擊（TA），成功驗證了該方法的有效性。實驗基于STM32F3設備的60,000條功耗曲線，以S盒輸出的漢明重量作為泄漏模型，在32條攻擊曲線內即可完全恢復目標密鑰字節。結果表明，模板攻擊在已知密鑰建模階段充分學習設備的物理泄漏特征后，對未知密鑰的攻擊效率高于DPA、CPA等傳統方法。