En el análisis de canal lateral basado en aprendizaje profundo (DL-SCA), puede haber una proliferación de parámetros del modelo a medida que aumenta el número de puntos de potencia de las trazas, especialmente en el caso de trazas de potencia en bruto. Determinar cómo diseñar un modelo de aprendizaje profundo ligero que pueda manejar una traza con más puntos de potencia y que tenga menos parámetros y menores costos de tiempo para SCAs perfilados parece ser un desafío. En este artículo, se propone un modelo DL-SCA al introducir una técnica de DL no entrenada llamada núcleos convolucionales aleatorios, que nos permite extraer las características de la fuga como si se utilizara un modelo de transformador. El modelo es luego procesado por un clasificador con un mecanismo de atención, que finalmente genera el vector de probabilidad para las claves candidatas. Además, analizamos el rendimiento y la complejidad de los núcleos aleatorios y discutimos cómo funcionan en teoría. En varios conjuntos de datos públicos de AES, los resultados experimentales muestran que el número de trazas de perfilado requeridas y los parámetros entrenables se reducen, respectivamente, en más del 70% y 94% en comparación con los trabajos más avanzados, mientras se asegura que el número de trazas de potencia requeridas para recuperar la clave real es aceptable. Es importante destacar que, a diferencia de los modelos SCA anteriores, nuestra arquitectura elimina la dependencia entre la longitud de las características de las trazas de potencia y el número de parámetros entrenables, lo que permite que la arquitectura se aplique al caso de trazas de potencia en bruto.