计算机系统越来越多地采用机器学习（ML）算法,以完成对生活方式便利化。这些算法所使用的特征往往代表着存储和处理着大量的敏感数据。为保护这些数据免受攻击者的篡改和获取,各种密码学技术得到了广泛的应用。侧信道攻击提供了一种不同于数学密码破解的方法对这些数据进行分析,使得通过侧信道信息恢复模型的敏感信息成为可能。其中,时间侧信道攻击是计算机系统主要的安全威胁之一,基于硬件平台加速的神经网络模型给时间攻击提供了多种途径。本文以部署在硬件平台的卷积神经网络模型为研究对象,分析模型机密性在Profiling工具下的泄漏风险,对卷积神经网络模型时间侧信道攻击技术进行研究。在时间侧信道攻击中,攻击者通过分析神经网络模型每一层的执行时间来尝试破坏模型的机密性。本文发现硬件平台上的Profiling工具调优机制将为模型机密性这一敏感信息引入新的时间泄漏,本文对基于此泄漏的时间攻击技术进行研究。本文的主要工作和贡献如下所示:（1）本文对卷积神经网络模型部署在硬件平台ZedBoard上的模型机密性进行了理论研究,论证了模型机密信息在ZedBoard的Profiling工具下的存在的时间泄漏问题,基于单核和多核的不同模型,评估了不同模型在当前时间泄漏下的恢复模型结构细节的成功率,并对逆向出的模型进行了对抗样本的评估,给出对原始模型的具体威胁性;（2）本文从逆向模型结构出发,提出了基于时间-结构的数学映射关系逆向库,对包括SqueezeNet、ConvNet、AlexNet以及InceptionNet在内的单核和多核模型建立了模型结构和时间泄漏的映射库,对具有代表性的单核模型AlexNet和多核模型InceptionNet进行了逆向攻击;（3）本文利用统计学中的T-test和χ2-test,从实验论证了神经网络模型卷积层基于不同Padding方式下模型时间泄漏的不可区分性,对逆向模型结构进行了一定简化,降低了模型逆向算法的时间复杂性。本文利用Profiling工具所产生的时间泄漏对上述不同核的卷积神经网络模型结构进行逆向,对于模型整体逆向成功率均在78.5%以上,模型逆向偏差性在统计学指标均方误差（Mean Squared Error,MAE）和均方根误差（Root Mean Squared Error,RMSE）中分别为3.3527×10-6和2.2936×10-4。最后本文逆向方法比传统逆向方法成功率平均提高10%。