cracknuts-squirrel 0.1.1b2

Squirral - Side Channel Analysis Toolbox

Squirrel Auto Testbench

侧信道分析自动化测试框架，基于 CrackNuts，支持 TVLA 测试 和多种 轨迹预处理算法。

项目结构

squirrel-auto-testbench/
├── Makefile                      # 开发任务入口：test/build/clean
├── pyproject.toml                # 主包打包配置
├── AGENTS.md                     # 项目开发辅助说明
│
├── src/squirrel/                 # 【客户可见】核心库
│   ├── __init__.py
│   ├── base.py                   # 基类：Analyzer, AnalysisResult, TraceDataset
│   ├── preprocessing/            # 预处理模块
│   │   ├── Decimation/          # 降采样
│   │   ├── DigitalFilter/        # 数字滤波（Butterworth）
│   │   ├── Normalize/           # 归一化
│   │   ├── Resync_CrossCorr/    # 互相关对齐
│   │   ├── Resync_DTW/          # FastDTW 对齐
│   │   ├── Resync_Peak/         # 峰值检测对齐
│   │   ├── Resync_SAD/          # 绝对差值和对齐
│   │   └── Resync_ZC/           # 零交叉重采样对齐
│   └── analysis/                 # 分析模块
│       ├── tvla/                # TVLA 泄漏检测
│       ├── cpa/                  # CPA 分析
│       ├── channel_estimate/    # Channel Estimate 线性回归攻击
│       ├── mix_columns/          # MixColumns CPA 分析
│       ├── snr/                  # SNR 分析
│       ├── dpa/                  # DPA 分析
│       └── lstm/                 # LSTM 分析
│
├── tests/                        # 【内部使用】测试基础设施
│   ├── data_generators/          # 合成测试数据生成器
│   └── verify/                   # 验证脚本和回归测试流程
│
├── docs/                         # 详细文档
│   ├── api-index.md             # API 索引
│   ├── datasheet/              # 数据手册
│   └── img/                     # 图片资源
│
└── demo/
    └── jupyter/                  # Jupyter 示例

sim/ 是测试运行时生成的输出目录，不作为源码提交。外部参考项目不再以源码快照放入仓库，后续仅在文档中保留链接引用。

支持的模块

预处理模块 (Preprocessing)

类名	算法	原理	状态
Decimation	降采样	固定间隔采样	✅ 完成
DigitalFilter	数字滤波	Butterworth 滤波器	✅ 完成
Normalize	归一化	零均值/标准化	✅ 完成
ResyncPeakDetector	Peak	峰值检测对齐	✅ 完成
ResyncCrossCorrAligner	CrossCorr	互相关对齐	✅ 完成
DTWAligner	DTW	动态时间规整	✅ 完成
SADAligner	SAD	绝对差值和最小化	✅ 完成
ResyncZCAligner	ZC	零交叉重采样	✅ 完成

分析模块 (Analysis)

类名	算法	原理	状态
TVLAAnalyzer	TVLA	Welch's t 检验	✅ 完成
CPAAnalyzer	CPA	相关性功耗分析	✅ 完成
ChannelEstimateAnalyzer	Channel Estimate	线性回归信道估计	✅ 完成
MixColumnsCPAAnalyzer	MixColumns CPA	MixColumns 汉明距离攻击	✅ 完成
SNRAnalyzer	SNR	信噪比分析	✅ 完成

快速开始

运行测试

make test                    # 运行所有验证流程
make test-tvla               # TVLA 泄漏检测测试
make test-cpa                # CPA 分析测试
make test-channel_estimate   # Channel Estimate 攻击测试
make test-mix_columns        # MixColumns CPA 测试
make test-snr                # SNR 分析测试
make test-normalize          # 归一化测试
make test-decimation         # 降采样测试
make test-digital-filter     # 数字滤波测试（低通/高通/带通/带阻）
make test-resync-peak        # 峰值对齐测试
make test-resync-crosscorr   # 互相关对齐测试
make test-resync-dtw         # DTW 对齐测试
make test-resync-sad         # SAD 对齐测试
make test-resync-zc          # 零交叉对齐测试

兼容旧命令，例如 make tvla、make decimation 仍可使用。

打包

make build                   # 生成 wheel 和 sdist

清理输出

make clean                   # 清理所有测试输出
make clean-build             # 清理构建产物
make clean-all               # 清理测试输出和构建产物

方法选择指南

根据波形特征选择合适的方法：

轨迹对齐方法

波形特征	推荐方法	说明
清晰单峰	Peak	简单快速，argmax 精确定位
双尖峰/多峰	DTW	全局最优匹配，不依赖单一特征
高噪声 + 特征区域	CrossCorr	互相关抗噪声能力强
非线性变形	DTW	允许点对点最优对应
陡峭边缘/方波	ZC	过零点检测匹配边缘
有参考模板	SAD	逐点绝对差值最小化

数字滤波器选择

滤波器类型	适用场景	频率范围	测试验证
低通 (Low)	去除高频噪声	保留 < freq1	低频通过，高频衰减 >90%
高通 (High)	去除直流偏移/低频噪声	保留 > freq1	低频衰减 >99%，中高频通过
带通 (Bandpass)	提取特定频段	保留 freq1 ~ freq2	通带通过，阻带衰减 >90%
带阻 (Bandstop)	去除工频干扰等	衰减 freq1 ~ freq2	阻带衰减 >99%，通带通过

测试数据频率分布：low=0.01, mid=0.1, high=0.48

ZC 零交叉对齐模式

bin_length	模式	输出长度	适用场景
0	Shift-based	与输入相同	简单平移对齐
>0	Resampling	bin_length × (ZC点数-1)	脉冲宽度不统一的方波对齐

API 调用示例

分析器

from squirrel.analysis import TVLAAnalyzer

analyzer = TVLAAnalyzer(config={"threshold": 4.5})
result = analyzer.analyze("/path/to/data.zarr")
print(f"T检验范围: [{result.ttest_min:.2f}, {result.ttest_max:.2f}]")

对齐器

from squirrel.preprocessing import ResyncPeakDetector, ResyncCrossCorrAligner, DTWAligner

# 峰值对齐
aligner = ResyncPeakDetector(config={"peak_type": "max", "ref_trace_idx": 0})
result = aligner.analyze(traces)
aligned = result.metadata["aligned_traces"]

# 互相关对齐
aligner = ResyncCrossCorrAligner(config={"window": (500, 1100)})
result = aligner.analyze(traces)

# DTW 对齐
aligner = DTWAligner(config={"radius": 5})
result = aligner.analyze(traces)

# ZC 零交叉对齐
from squirrel.preprocessing import ResyncZCAligner

# Shift-based 模式（输出长度不变）
aligner = ResyncZCAligner(config={"ref_trace_idx": 0, "zc_level": 0.0, "bin_length": 0})
result = aligner.analyze(traces)

# Resampling 模式（输出长度可变）
aligner = ResyncZCAligner(config={"ref_trace_idx": 0, "zc_level": 0.0, "bin_length": 50})
result = aligner.analyze(traces)
aligned = result.metadata["aligned_traces"]  # 长度 = 50 × (ZC点数-1)

测试结果解读

TVLA 测试

| |t| 值 | 解读 | |---|------------------------| | < 2 | 无泄漏 | | 2 - 4 | 边缘 | | 4 - 6 | 存在泄漏 | | > 6 | 强泄漏 |

对齐算法

指标	阈值	说明
对齐精度	>80%	对齐后偏移在 ±5 内的比例
相关系数改善	>0.1	对齐后与参考轨迹相关性提升

数字滤波器

指标	阈值	说明
阻带衰减	>90%	应被衰减的频率能量减少比例
通带增益	<10%	应被保留的频率能量变化

详细文档

完整 API 文档位于 docs/api-index.md（包含测试结果示例图片）。

各模块详细说明位于 docs/datasheet/：

• preprocessing-decimation.md - 降采样
• preprocessing-digital-filter.md - 数字滤波
• preprocessing-normalize.md - 归一化
• preprocessing-resync-peak.md - 峰值对齐
• preprocessing-resync-crosscorr.md - 互相关对齐
• preprocessing-resync-dtw.md - DTW 对齐
• preprocessing-resync-sad.md - SAD 对齐
• preprocessing-resync-zc.md - 零交叉对齐
• preprocessing-resync-comparison.md - 对齐方法对比
• analysis-tvla.md - TVLA 分析
• analysis-cpa.md - CPA 分析
• analysis-channel-estimate.md - Channel Estimate 攻击
• analysis-mix-columns.md - MixColumns CPA 分析
• analysis-snr.md - SNR 分析

测试结果图片位于 docs/img/。

依赖

使用 uv 同步项目依赖：

uv sync