用于侧信道分析（SCA）的可解释机器学习（ML）模型
Explainable machine learning (ML) models for side-channel analysis (SCA)
申请要求（为空则代表无要求）
雅思：
托福：
留学费用：84000GBP/年
用于侧信道分析（SCA）的可解释机器学习（ML）模型项目简介
该项目旨在解决用于密码实现侧信道分析（SCA）攻击的机器学习（ML）模型的可解释性挑战。尽管机器学习可以通过学习掩码和敏感数据的特征来成功攻击甚至经过掩码保护的实现，但它通常无法解释这些特征的来源和位置。该项目旨在开发可解释的机器学习模型，以识别攻击中结合的泄漏位置，从而能够应用额外的对策来加强密码安全性。该项目将包括评估现有加密实现（AES和Kyber）在基于机器学习的SCA下的性能，开发机器学习中泄漏特征的跟踪机制，构建带有此跟踪机制的机器学习模型以解释泄漏和位置，并提出解决已识别泄漏的保护方法。SCA对密码设备构成重大威胁，本研究旨在增强对这些漏洞的理解和缓解。
项目学术背景与核心优势
贝尔法斯特女王大学在电子工程与计算机科学领域拥有深厚的学术积淀，其所属的School of Electronics, Electrical Engineering and Computer Science长期致力于硬件安全与人工智能的交叉研究。该项目聚焦于如何利用可解释的机器学习模型解析侧信道泄露，使学生能够从理论层面理解电磁辐射、功耗波动等物理信号与加密算法内部状态之间的关联。贝尔法斯特女王大学在该方向上的实验室设施与数据采集平台为研究者提供了实验验证的基础。该项目的设计初衷是培养学生同时掌握密码学安全分析框架与机器学习可解释性技术，从而在真实工程场景中构建更透明的防御机制。这种跨学科定位使得学生能够同时接触硬件安全与算法解释两大前沿领域。
核心知识模块与培养方向
该项目的培养重心在于提升学生的专业素养与实操能力。课程体系通常围绕以下核心方向构建：
- 可解释人工智能理论：深入学习特征归因、局部解释模型等方法，用于揭示机器学习模型在侧信道信号分类中的决策依据，从而提升分析结果的可信度。
- 侧信道信号处理与特征工程：掌握时频域分析、降噪与特征提取技术，在真实功耗或电磁轨迹数据中提取与密钥相关的泄露信息。
- 密码算法硬件实现与安全评估：了解常见加密算法（如AES、RSA）的硬件实现方式，学习如何通过统计测试与机器学习建模评估其侧信道抗性。
毕业生职业发展路径
结合全球信息安全与硬件安全行业的态势，该专业的毕业生具备较强的专业壁垒，适合在以下领域发展：
- 硬件安全工程师：负责芯片或嵌入式系统的侧信道攻击防御设计，利用可解释模型定位泄露点并制定防护策略。
- 人工智能安全研究员：在学术机构或企业实验室中研究机器学习模型在安全场景下的可解释性与鲁棒性，推动反制技术发展。
- 安全测试与认证分析师：为第三方检测机构或政府实验室执行标准化侧信道评估，出具基于可解释模型的分析报告。
常见申请疑问解答
针对跨专业申请者，该方向通常要求申请人具备扎实的底层逻辑。如果能在先修课程或实践经历中展现出对计算机科学的基础认知与分析能力，将有效弥补专业背景的不足。
在语言与学术准备方面，由于该项目涉及大量的专业文献阅读与学术对话，申请人需具备较强的学术英语理解能力。提前熟悉相关的研究方法或底层分析工具，将为后续高强度的专业学习打下坚实基础。