随着深度学习技术的不断发展,基于深度学习的侧信道攻击技术得到越来越广泛的应用,如何提升此类攻击技术的攻击效率成为重要问题。因此,本文从数据预处理阶段的功耗轨迹数量不足问题和攻击阶段的攻击模型改进问题入手,探索形成了一套较为系统的攻击效率提升方法。同时,为解决现有掩码防护方案资源占用率高、不易于硬件实现的问题,提出了一种基于塔域的循环移位掩码防护方法。本文主要完成了如下工作:一、针对训练集数量不足的问题,提出了一种基于CGAN的功耗轨迹扩充技术。以密码运算中间值的汉明重量作为CGAN的约束条件,将CGAN生成模拟功耗轨迹作为多层感知器神经网络的训练数据,构建攻击模型,实现了训练集的扩充。通过实验对不同类型训练集的攻击效果进行比较,结果表明,使用CGAN生成的功耗轨迹和原始功耗轨迹具有相同的泄漏特征,使用扩充后的功耗轨迹对MLP神经网络进行训练和测试,训练精度和测试精度分别提高15.3%和14.4%。二、针对单一模型超参数调优难度高且代价大的问题,提出了一种基于Bagging集成策略的侧信道攻击方法。通过采用基于类别概率的加权投票法对各基模型进行组合,在充分融合各分类器差异性的基础上,结合倒数法计算加权系数提升分类准确率,最后利用最大似然估计恢复出密钥,进一步提高攻击效率。实验表明,相较于单一分类模型,基于Bagging集成策略改进模型的侧信道攻击方法成功率更高,实施成功攻击所需轨迹条数可减少16.3%以上。三、针对已有掩码防护方案硬件实现资源消耗较大且应用范围受限的问题,提出了一种基于塔域的通用循环移位掩码防护方法。通过分析塔域的运算特性对S盒中求逆运算的随机掩码方案进行设计,以减少硬件资源消耗;同时利用循环移位的方法对随机掩码进行移位变换,提高算法的抗侧信道攻击能力。通过AES算法对该掩码方案进行验证,并利用T-test和相关性分析进行了安全性评估。实验表明,该掩码方案可有效抵抗相关性攻击,与已有文献相比,硬件资源开销更小,通用性更好。