在数据挖掘领域,聚类分析是一种从大数据集中寻找信息的有效方式。聚类分析被广泛地应用于各种领域,作为信息发现提供信息支持。蚁群算法是模拟蚂蚁觅食过程,寻找到食物源的最短路径的现象,对该现象进行建模得到的智能算法,具有较好的健壮性,能够用于解决大规模的复杂性问题。文章首先对聚类分析的发展进行了回顾,对聚类分析进行了介绍和总结,详细介绍了不同的聚类算法以及主流聚类算法所使用的相似度量准则。分析了智能算法在聚类分析中的发展和应用,总结了两种基于蚁群聚类算法模型:基于觅食行为聚类模型和蚁堆聚类模型。详细分析了两种聚类模型的方案,并提出将其应用到功耗分析攻击领域。功耗分析攻击是安全领域一个重要的分支,文章对该领域的产生发展进行了概括和总结,并梳理了区分器发展的主要脉络,介绍了包括功耗产生原理,以及典型的区分器原理,如DPA(Differential Power Anlysis),CPA(Correlation power analysis),MIA(Mutual information Anlysis)等。为了更好的应用基于蚁群聚类算法,文章详细介绍了功耗分析原理。详细分析了各种区分器之间内在联系,探索使用蚁群聚类算法构建区分器的可能性。文章基于软件实现的对AES‐128算法的功耗信息进行分析,提出了基于蚁群聚类算法区分器构造的主要思想和流程。根据数据相关性,即相同数据带来相同的功耗泄露,利用基于蚁群聚类方法对功耗信息进行聚类。接下通过猜测密钥值,对聚类结果集中中间变量的数据特征进行统计,得到统计图,如果当前猜测正确那么在统计图上可以得到明显的特征。通过实验说明,即使在噪声较大情况下,聚类成功率较低(如60%聚类正确),攻击者仍然能以100%概率恢复出正确密钥信息。表明该方法在抗噪声方面,具有一定优势。通过实验分析说明,该方法不仅仅局限于文章提出的方案。能够结合功耗泄露模型进一步优化区分器的构造。如果攻击者在聚类时,依据中间变量汉明重量进行聚类,在降低聚类数目的情况下,仍然能够恢复正确密钥信息。该方案与传统的区分器相比,如DPA和CPA,能够利用多点信息泄露的优势。同时,还对基于蚁群聚类算法的区分器下一步工作进行了展望,包括如何进一步提出防护方案使得加密算法更加安全等。最后,对本文中所有工作进行了总结。