En los últimos años, el método de aprendizaje profundo ha surgido como un enfoque principal para los ataques de canal lateral no perfilados. Sin embargo, la mayoría de los métodos existentes de ataque de canal lateral no perfilado basados en aprendizaje profundo dependen de métricas tradicionales como la pérdida y la precisión, que a menudo sufren de resultados poco claros en escenarios prácticos. Además, la mayoría de los estudios previos no han considerado completamente las propiedades de las trazas de potencia como datos de series temporales largas. En este documento, se propone una arquitectura novedosa de ataque de canal lateral no perfilado, que incorpora el mecanismo de atención y deriva una métrica de atención correspondiente. Al adjuntar el mecanismo de atención después de las capas de la red, el mecanismo de atención proporciona una predicción cuantitativa de la clave correcta. Además, esta arquitectura puede extraer y analizar de manera efectiva las características de las trazas de potencia largas. La tasa de éxito en diferentes conjuntos de datos es de al menos el 86%, lo que demuestra la superior fiabilidad de esta arquitectura en comparación con otros trabajos cuando se enfrenta a diversas contramedidas y ruido. Es importante destacar que, incluso en escenarios donde las métricas tradicionales de pérdida y precisión no logran proporcionar resultados confiables, la métrica de atención propuesta sigue siendo capaz de distinguir con precisión la clave correcta.