功耗分析基础：从芯片的“呼吸”到攻击者的“听诊器”
各位同学，欢迎来到功耗分析的世界。说实话，我第一次接触这个领域时，也觉得挺玄乎的——不就是芯片耗电吗？能有什么秘密？直到我在实验室里，亲眼看着一条平平无奇的功耗曲线，把AES算法的密钥给“读”了出来。那一刻我才明白，功耗，就是芯片最诚实的“呼吸”。
这一章，我们先把功耗分析的底子打牢。你想想看，要听懂芯片的“呼吸”，总得先知道它是怎么喘气的吧？
CMOS电路功耗原理：芯片为什么会耗电？
现代数字芯片，绝大多数都是CMOS（互补金属氧化物半导体）工艺。它的基本单元就是反相器——一个PMOS管加一个NMOS管。
CMOS电路有个很优雅的特性：静态时几乎不耗电。为什么？因为PMOS和NMOS是“互补”的，一个导通时另一个必然截止，没有从电源到地的直流通路。
但一旦开始工作，情况就变了。我习惯把CMOS的功耗拆成两笔账：
- 动态功耗：电路翻转时产生的功耗。这是大头。
- 静态功耗：电路不翻转时，漏电流造成的功耗。工艺越先进，这问题越头疼。
核心观点：功耗分析攻击之所以能成立，根本原因在于CMOS电路的功耗与正在处理的数据强相关。这不是bug，是物理定律。
动态功耗与静态功耗：两笔账，都得算清楚
动态功耗
动态功耗又分两部分：
- 开关功耗：给负载电容充放电消耗的能量。公式是
P_sw = α · C_L · V_DD² · f。α是翻转率，C_L是负载电容，V_DD是供电电压，f是时钟频率。 - 短路功耗：翻转瞬间，PMOS和NMOS同时短暂导通，形成从V_DD到GND的短路电流。
我在项目中遇到过一件事：某款低功耗芯片，动态功耗优化得特别好，但攻击者反而更容易做SPA了。为什么？因为动态功耗小了，信噪比反而变差了？不对，恰恰相反——动态功耗的“数据相关性”特征更明显了。优化后的电路，每次翻转的电流尖峰更“干净”，攻击者看得更清楚。
个人经验：做功耗分析时，我一般先看动态功耗的波形。如果波形上每个时钟周期的电流尖峰都差不多，那说明数据相关性弱，攻击难度大。如果尖峰高低起伏很明显——嗯，密钥可能就藏在里面。
静态功耗
静态功耗主要是漏电流造成的。包括：
- 亚阈值漏电流：晶体管关不彻底，仍有微弱电流。
- 栅极漏电流：栅氧化层太薄，电子直接隧穿过去。
- PN结漏电流：反偏PN结的少子漂移。
静态功耗在先进工艺（28nm以下）中越来越严重。但有意思的是，它对功耗分析攻击也有影响——静态功耗也会携带数据信息。我记得有一篇论文专门研究过，利用静态功耗的温度依赖性来做攻击，效果还挺好。
| 功耗类型 | 来源 | 与数据相关性 | 攻击利用价值 |
|---|---|---|---|
| 动态开关功耗 | 负载电容充放电 | 强（翻转次数、数据值） | 高（DPA/CPA主要利用） |
| 动态短路功耗 | 翻转瞬间直通电流 | 中等（与翻转斜率相关） | 中（辅助分析） |
| 静态漏电流 | 亚阈值、栅极漏电等 | 弱-中（与数据状态相关） | 低-中（特殊场景可用） |
功耗与数据相关性：芯片的“小动作”
这是整个功耗分析的核心。说白了就是：芯片处理不同数据时，消耗的能量不一样。
为什么会这样？我举个例子：
一个8位的寄存器，从0x00变成0xFF，需要翻转8个bit（从0到1）。从0x00变成0x01，只翻转1个bit。翻转的bit越多，动态功耗越大。这就是汉明距离（Hamming Distance）模型的基础。
再比如，一个总线上的数据是0x55（01010101），另一个是0xAA（10101010）。虽然它们翻转的bit数可能一样，但每个bit的“0”和“1”状态不同，对应的漏电流也不同。这就是汉明重量（Hamming Weight）模型的基础。
避坑指南：我曾经犯过一个错误——直接用汉明重量模型去攻击一个带有预充电逻辑的总线。结果相关性分析出来全是噪声。后来才意识到，预充电逻辑会在每个时钟周期先把总线拉到固定电平，再写入数据。这时候应该用汉明距离模型，而不是汉明重量。嗯，这个坑我替你们踩过了。
下面这张图，是我自己总结的功耗与数据相关性的知识框架：
简单功耗分析（SPA）概念：用眼睛看出来的秘密
SPA，说白了就是直接观察功耗曲线，从中提取信息。不需要复杂的统计，不需要大量的样本，有时候一条干净的曲线就够了。
我见过最经典的SPA案例，是分析RSA算法的功耗曲线。RSA的模幂运算里，如果指数bit是1，就执行“平方+乘法”；如果是0，只执行“平方”。这两种操作的功耗特征明显不同。攻击者只要看一眼功耗曲线，就能把私钥的每一位读出来。
SPA的适用场景：
- 算法执行路径与数据相关（如条件分支）
- 操作码不同导致功耗特征差异明显
- 攻击者有足够的信号质量（高采样率、低噪声）
SPA的局限性也很明显：如果芯片加了噪声、用了双轨逻辑、或者操作时间被随机化了，单条曲线就很难看出东西。这时候，就得请出DPA了。
差分功耗分析（DPA）概念：统计学的力量
DPA和SPA最大的区别在于：SPA用眼睛看，DPA用统计学算。
DPA的基本思路是这样的：
- 采集大量功耗曲线（比如几千到几万条）。
- 根据一个假设的密钥，把曲线分成两组（比如“某bit为1”和“某bit为0”）。
- 计算两组曲线的平均差值。
- 如果假设的密钥正确，差值曲线上会出现明显的尖峰。
- 如果假设错误，差值曲线基本是平的（噪声）。
我刚开始做DPA时，总觉得这方法太“暴力”了——不就是穷举假设然后看统计结果吗？但实际跑起来才发现，DPA的美妙之处在于它能从海量噪声中把信号“挖”出来。哪怕单条曲线完全看不出任何特征，几千条平均下来，数据相关性就会浮现。
个人习惯：做DPA时，我一般先采集1000条曲线做预分析。如果能看到明显的尖峰，说明信号质量好，可以继续深入。如果看不到，我会增加到10000条。还看不到？那可能是假设模型有问题，或者芯片有防护措施。这时候我会回头检查功耗模型——是用汉明距离还是汉明重量？中间值选对了吗？
DPA的变种很多，最常用的是相关功耗分析（CPA）。CPA用皮尔逊相关系数代替了简单的均值差，对噪声的容忍度更高，需要的曲线数也更少。嗯，这个我们后面章节会详细讲。
| 对比维度 | SPA | DPA |
|---|---|---|
| 分析方法 | 直接观察单条/少量曲线 | 统计分析大量曲线 |
| 所需样本量 | 少（1~100条） | 多（1000~100000条） |
| 抗噪声能力 | 弱 | 强 |
| 适用场景 | 算法结构泄露、操作差异明显 | 数据相关性微弱、有防护措施 |
| 攻击者技能要求 | 波形分析经验 | 统计学+编程能力 |