Con el rápido avance del aprendizaje profundo, la red neuronal se ha convertido en el enfoque principal para los ataques de canal lateral no perfilados. Sin embargo, surgen desafíos en aplicaciones prácticas debido al ruido en las trazas de potencia recolectadas y la cantidad sustancial de datos requeridos para entrenar redes neuronales de aprendizaje profundo. Además, adquirir equipos de medición con tasas de muestreo excepcionalmente altas es difícil para investigadores promedio, obstaculizando aún más el proceso de análisis. Para abordar estos desafíos, en este artículo proponemos una arquitectura novedosa para el análisis de aprendizaje profundo diferencial no perfilado, empleando una red neuronal híbrida supervisada. La arquitectura incorpora un autoencoder auto-supervisado para mejorar las características de las trazas de potencia antes de ser utilizadas como datos de entrenamiento para la red neuronal supervisada. Los resultados experimentales demuestran que la arquitectura propuesta no solo supera a las redes tradicionales de aprendizaje profundo diferencial al proporcionar una distinción más clara, sino que también logra una discriminación clave con costos computacionales reducidos. Además, la arquitectura se evalúa utilizando conjuntos de datos de pequeña escala y submuestreados, confirmando su capacidad para recuperar claves correctas bajo tales condiciones. Además, se demostró que la arquitectura alterada diseñada para la resincronización de datos tiene la capacidad de distinguir la clave correcta de conjuntos de datos de pequeña escala y desincronizados.