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：168000GBP/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研究积淀，其工程学院长期聚焦于硬件安全与智能系统的交叉探索。该大学开设的用于侧信道分析（SCA）的可解释机器学习（ML）模型项目，旨在培养学生从底层物理泄露中提取信号并建立可解释模型的能力。通过将密码学、信号处理与机器学习理论相融合，该项目强调对攻击机理的透明化理解，而非仅依赖黑箱预测。贝尔法斯特女王大学的这一跨学科设置，使学生能够从数据生成原理出发，设计出既有效又具备可审计性的分析框架，从而应对日益复杂的侧信道威胁。
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：
- 侧信道信号采集与预处理：掌握示波器、电磁探头等硬件工具的使用方法，并学习降噪、对齐等信号处理技术，为后续分析提供干净的数据输入。
- 可解释机器学习建模：重点研究决策树、线性模型、注意力机制等透明化算法，确保模型不仅能给出分类结果，还能揭示哪些时域特征或频域成分对攻击决策贡献最大。
- 安全评估与验证：学习如何将可解释模型部署到真实芯片或嵌入式系统中，通过统计检验和对抗测试评估分析结果的可重复性与稳定性。
毕业生职业发展路径
结合硬件安全与人工智能的行业态势，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：负责对集成电路或嵌入式设备进行侧信道攻击与防护测试，输出可复现的安全评估报告。
- 机器学习安全研究员：在金融机构、芯片厂商或科研机构中，开发针对物理攻击的可解释检测工具，并优化模型的可审计性。
- 嵌入式系统验证专家：参与产品设计阶段的安全验证，通过可解释分析手段定位潜在的侧信道泄露路径，提出防护方案。
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。例如，熟悉概率论、线性代数、基本数字电路原理，或曾参与过简单的信号处理项目，均有助于快速衔接核心课程。
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。提前熟悉可解释机器学习的研究方法或常用分析工具（如Python中的scikit‑learn、TensorFlow等），将为后续高强度的专业学习打下坚实基础。