该论文（海报）针对深度学习侧信道分析（DL-SCA）中的一个关键工程痛点：当把在一个设备上训练好的模型迁移到未见过的硬件上时，性能往往因印刷电路板（PCB）走线差异、硅工艺偏差以及测量噪声分布变化而急剧下降。作者提出合成多设备模型（s-MDM），一种无需目标设备真实轨迹（zero-target-trace）的生成式框架，用于离线合成“虚拟源设备”的侧信道画像，从而提升跨设备可移植性。s-MDM 由四个关键组件构成：结构化的条件变分自编码器（cVAE）生成器、基于 Walsh-Hadamard 变换的泄漏锚点（leakage anchor）、连续风格调制（style modulation），以及解耦的泄漏-风格-域判别器（decoupled leakage-style-domain critics）。在 32 位 AES_PTv2 侧信道轨迹基准上，作者刻画出一条精确的操作边界：对于电气特性完全相同的克隆设备（D4），物理 MDM（真实多设备模型）仍然占优；但在布局/采集条件发生偏移的 Pinata 目标上，物理基线表现不稳定或出现对齐偏差，而 s-MDM 能稳定保持较低的密钥秩（key rank）。该工作为硬件差异场景下评估 DL-SCA 的可迁移性提供了新的方法论，也提醒防护方需把跨设备/跨布局迁移纳入侧信道评测。