在当前的侧信道攻击技术中,能量分析攻击作为最佳攻击手段之一,其发展已日益成熟。该方式基于加密电子设备在操作过程中能量消耗的信息泄漏,从而对加密设备中轮密钥等私密信息进行攻击获取,其攻击的有效程度远高于基于数学方法的密钥分析技术,因此给当今的加密设备带来了严重的威胁。另一方面,针对该攻击方式的防御措施也被逐渐应用于密码设备的加密过程之中。其中,掩码策略在防御成本,实现可行性,抵抗能力等多个方面有着非常明显的优势,因此也迅速成为了侧信道防御技术中的重点与热门。与之同时,针对于掩码策略的能量分析攻击也成为侧信道攻击领域的一大难题。掩码策略理论上能够抵御一阶攻击,但却可能受到高阶能量分析攻击而使其抵御机制失效。高阶能量分析攻击虽然能够在一定程度上对加掩实施中的密钥信息进行攻击,但在国内外关于高阶能量分析攻击的现有技术中,其算法的时间复杂度,实现可行性等方面普遍存在较大缺陷。即,如何针对加掩实现的加密算法进行能量分析攻击仍然是需要探究和改进的难题。在本文中,将以加掩实现的AES加密算法为目标,针对密码设备中的AES加密过程进行基于神经网络算法的高阶攻击研究。期望达到的目标是,提出一种高阶攻击的新思路,针对现有国内外高阶攻击中的不足和缺陷进行优化,并且达到在更苛刻的攻击条件下,拥有更高的攻击算法实现可行性及攻击成功率。进而推动硬件安全领域中对于加掩实现的高阶攻击,以及针对于智能卡等密码设备安全性问题的发展。本文总结了在高阶攻击中,当前的国内外发展现状和已有技术,从理论上探究了其缺陷部分及其根源所在,并由此提出了基于神经网络的高阶攻击这种具有自适应性的高阶能量分析攻击新思路。并且通过能量分析攻击中在能量泄漏模型、高阶DPA攻击、高阶模板攻击等方面的理论基础,针对基于神经网络的高阶攻击建立了相应的数学模型,进而得到其可用于实际应用中的攻击算法。通过程序实现该算法之后,我们将在加掩实现的AES加密算法中测试该攻击算法的攻击效果,并针对实验结果做进一步的分析与研究。在本文中,利用基于前向拟合神经网络的高阶攻击,针对加密设备中掩码实现的AES加密算法,使用到10000条能量迹作为实验数据,并将其划分为训练集和攻击测试集。其中,训练集含有8000条能量迹,攻击测试集含有2000条能量迹。此外,本次实验使用到明确兴趣点和兴趣区间上的多点,两种方式对能量迹进行训练和攻击测试。通过对比两种方式下该攻击的训练结果、攻击效果等因素,对该攻击算法的效率进行定量的评估。通过实验结果,本文得出结论,利用神经网络这种可以对非线性关系进行拟合且具有高度自适应性的算法,可以有效弥补当前针对掩码策略的攻击方式中诸多不足和缺陷,其中包括高阶DPA攻击,高阶模板攻击等等。本次实验中所采用的基于前向拟合神经网络的高阶攻击,在实现难度,攻击成功率,算法的时间复杂度方面,均要优于常用的高阶DPA攻击算法,证明了该攻击方式和攻击思路在实际侧信道领域中的可行性和研究价值。并且该攻击方式不需要训练集已知掩码,大大降低了其对攻击条件的要求。攻击前不需要找到能量迹中明确的泄漏位置,是该攻击方式最大的优势所在。此外,神经网络能够自动地寻找更加适合能量泄漏模型的中间值组合方式,是该攻击算法的另一个巨大优势。同时,实验中通过使用两种能迹特征向量提取方式实现的该算法进行对比,也使得该算法在使用上有了更多的灵活性。