随着互联网的发展,人们也逐渐注意到,保护含有密码功能的网络设备的安全性非常重要。生活中,密码设备的应用范围非常广泛,比如:校园卡、银行卡、门禁卡、甚至高端武器装备都集成了密码功能。密码功能的核心就是加密函数。通常情况下,加密函数的解密过程要么计算量巨大,要么耗费时间特别久。加密算法在数学理论上的难以破解性保障了密码设备的安全。然而,侧信道分析理论从物理泄漏信息而不是数学算法理论缺陷来获取机密信息。侧信道分析相比传统方法在破解加密算法上耗时更短,效率更高。本文分析了机器学习在侧信道分析中的研究现状,针对对称加密算法的高级加密标准（Advanced Encryption Standard,AES）,设计了基于机器学习的掩码AES侧信道分析模型,旨在提高侧信道攻击的效率。本文主要研究内容如下:（1）针对嵌入式FPGA密码芯片设备在运行过程中泄漏的信息进行研究,提出基于堆叠自编码（Stacked Auto-Encoder,SAE）神经网络的侧信道分析模型。本文通过多次实验对多种特征提取方法进行了探索,本次实验表明在探索的几种方法中,皮尔逊相关系数法是效果最好的方法。针对特征数据集中类不平衡导致的分类器效率低的问题,本文采用了随机过采样,合成少数类过采样算法和合成少数类过采样的3种变体算法等多种数据集增强方法,有效提高了分类效率。针对加密算法中,掩码保护阻碍破解密钥的问题,本文采用了朴素贝叶斯,K最近邻分类算法（K-Nearest Neighbor,KNN）,深度自编码网络,判别分析分类方法进行破解掩码,本次实验表明判别分析方法是攻击效果最好的方法。针对破解密钥的问题,本文提出了一种基于深度堆叠自编码神经网络的侧信道攻击模型,然后将该模型和神经网络（Neural Network,NN）模型进行了实验对比分析,实验结果表明所提出的模型比NN模型提高了 10%左右的攻击成功率。但是实验的过程中,构建的堆叠自编码神经网络每一层需要迭代次数较多,构建多层结构的神经网络需要花费的训练时间较长。（2）针对深度神经网络多层架构,迭代次数较多,神经网络训练时间较久,导致侧信道攻击耗时较长的问题,提出了一种基于集成学习的侧信道分析模型。探索了不同强弱分类器的组合作为分类器对于侧信道分析的影响,探索了分类效果最好的集成学习方法,探索了数据集的特征样本数量对实验结果的影响。针对破解掩码问题,本次实验尝试了4种机器学习方法,分别是决策树、随机森林、反向传播（Back Propagation,BP）算法和自适应增强（Adaptive Boosting,Ada-Boost）算法。本次实验表明Ada-Boost方法能够有效恢复掩码。针对密钥的破解问题,提出了一种基于线性判别分析的Ada-Boost侧信道分析方法,通过对比Ada-Boost方法,深度堆叠自编码神经网络和NN神经网络的攻击结果,实验表明提出的Ada-Boost模型攻击成功率最高,模型训练平均耗费时间减少,效率大幅度提高。