1.一种基于卷积神经网络的应用程序在线攻击方法，其特征在于，所述方法包括以下步骤；

(1)数据获取：设置一个自动数据采集平台，使用一个开合式电流互感器测量不同操作系统及不同品牌的笔记本电脑和台式电脑的功耗，通过声卡采集多款不同的应用程序在计算机上运行时的功耗泄露数据，以监视目标设备的实时功耗；

(2)数据增强：为了提升数据的多样性，防止网络过拟合，可以使原始信号随机增加或减少一定的幅度，从而增加更多受启动过程中软硬件因素干扰的训练样本；

(3)数据处理：对功耗信号进行数据分割，从采集到的声音文件中分离出应用程序运行的不同状态，将应用程序一次完整的运行过程划分为启动、等待和关闭三个状态；

(4)应用程序检测：应用程序检测可认为是一个目标检测问题，从不同设备采集的数据中随机选取样本作为该分类器的训练样本，标签设定为不同的设备型号，当攻击者获取到应用程序启动的功率信号时，将该信号输入2D‑卷积神经网络，进行逐帧分类的检测。

2.如权利要求1所述的一种基于卷积神经网络的应用程序在线攻击方法，其特征在于，所述步骤(1)包括如下步骤：

1.1：设置一个自动数据采集平台，使用一个开合式电流互感器测量不同操作系统及不同品牌的笔记本电脑和台式电脑的功耗。通过声卡采集多款不同的应用程序在计算机上运行时的功耗泄露数据，以监视目标设备的实时功耗；

1.2：由于平台依靠设备之间的通信来实现对实验数据的多次循环自动采集，所以训练阶段的数据采集过程中攻击设备与目标设备处于同一局域网中；

1.3：由于交流电源插座包含火线、零线以及地线这三条线，将开合式电流互感器的一端连接到攻击设备的音频接口，将与目标设备相连接的插线板的零线放置于电流互感器的感应区；

1.4：通过控制目标设备的声卡对目标设备的功耗数据进行采集。

3.如权利要求1或2所述的一种基于卷积神经网络的应用程序在线攻击方法，其特征在于，所述步骤(2)包括以下步骤：

2.1：随机选取训练样本的一个峰谷点i，其对应的时刻为t2；

2.2：确认与该峰谷点左右相邻的两个峰谷点对应的时刻分别为t1和t3；

2.3：更多受启动过程中软硬件因素干扰的训练样本由公式(1)得到：上述公式中的w为0.5到1.5之间的一个随机值，表示对原始功耗信号的抑制或增强程(i)

度，s (t)表示第i条功耗轨迹在t时刻的功耗值， 表示变换后的第i条功耗轨迹在t时刻的信号。

4.如权利要求1或2所述的一种基于卷积神经网络的应用程序在线攻击方法，其特征在于，所述步骤(3)包括如下步骤：

3.1：将原始交流信号进行标准化处理，使其范围缩放到[‑3,3]；

3.2：对小窗口内的882个点进行短时能量求和，得到每个窗口的能量值；

3.3：当一个窗口的能量超过短时能量均值时，即为启动波形的有效部分，从而分离出应用程序的启动状态波形。

5.如权利要求1或2所述的一种基于卷积神经网络的应用程序在线攻击方法，其特征在于，所述步骤(4)包括如下步骤：

4.1：将输入信号的起点作为检测框的起始点；

4.2：设置一定长度的检测框，并将检测框以0.1s为步长进行移动，得到若干个帧数据；

4.3：将每个帧数据输入到分类器中进行分类，分类的结果为功耗轨迹对应的应用程序标签及启动时刻；

4.4：当分类置信度大于阈值时，认为是可信结果。