El rápido avance del aprendizaje profundo ha aumentado significativamente las amenazas planteadas por los Ataques de Canal Lateral (SCAs) a la seguridad de la información, transformando su efectividad a un grado varios órdenes de magnitud superior a las técnicas convencionales de procesamiento de señales. Sin embargo, la mayoría de los Ataques de Canal Lateral de Aprendizaje Profundo (DLSCAs) existentes se centran principalmente en la precisión de clasificación del modelo entrenado en la etapa de ataque, asumiendo a menudo que los adversarios tienen recursos computacionales y temporales ilimitados durante la etapa de perfilado. Esto podría resultar en una evaluación inflada de la capacidad de ajuste del modelo entrenado en un escenario de ataque real. En este documento, presentamos un nuevo modelo DLSCA, llamado red de Dendrita Residual Convolucional de Fusión Multidimensional (MD_CResDD), para mejorar y acelerar el proceso de extracción de características mediante la incorporación de un mecanismo de fusión de características multi-escala. Al probar el modelo propuesto en dos implementaciones de software de AES-128, mostramos que es factible mejorar la velocidad de perfilado en al menos un 34% en comparación con otros modelos de aprendizaje profundo existentes para DLSCAs y, al mismo tiempo, lograr un cierto nivel de mejora (8.4% y 0.8% para dos implementaciones) en la precisión del ataque. Además, también investigamos cómo diferentes enfoques de fusión, tiempos de fusión y bloques residuales pueden afectar la eficiencia del ataque en los mismos dos conjuntos de datos.