侧信道攻击中一种增强的卷积神经网络及其可视化
密码学与安全
2020-09-21 v1
摘要
近年来，卷积神经网络（CNNs）在侧信道领域引起了广泛关注。先前的工作表明，CNNs 有潜力攻破受掩码或去同步保护的密码算法。此前，已有若干 CNN 模型被利用，达到了与传统侧信道攻击（SCA）相当甚至更优的性能。在本文中，我们研究了残差网络（Residual Network）的架构，并构建了一个称为注意力网络的新 CNN 模型。为增强注意力网络的性能，我们引入了一种注意力机制——卷积块注意力模块（CBAM），并将其整合进 CNN 架构中。CBAM 指出了输入轨迹中的信息点，使注意力网络聚焦于测量的相关泄露。由于无关点会引入额外噪声并导致攻击性能下降，该机制能够提升 CNNs 的性能。我们将本文的注意力网络与为掩码 AES 实现设计的 ASCAD 网络进行比较，表明注意力网络优于 ASCAD 网络。最后，提出了一种称为类梯度可视化（CGV）的新可视化方法，用于识别输入轨迹中哪些点对神经网络的预测结果有正向影响。另一方面，它也能解释为何注意力网络优于 ASCAD 网络。我们在四个公开数据集上进行了大量实验验证，证明注意力网络在不同的 AES 实现中均有效。
引用
@article{arxiv.2009.08898,
title = {An Enhanced Convolutional Neural Network in Side-Channel Attacks and Its Visualization},
author = {Minhui Jin and Mengce Zheng and Honggang Hu and Nenghai Yu},
journal= {arXiv preprint arXiv:2009.08898},
year = {2020}
}