基于机器学习的侧信道分析的应用推断
密码学与安全
2019-07-11 v1 机器学习
摘要
泛在计算的发展要求现代处理器具备高能效与安全运行。侧信道攻击正成为现代计算基础设施中嵌入式设备安全与隐私的关键威胁。通过功耗、电磁发射 (EM) 和执行时间等物理特征的无意信息泄露，以及通过软件接口在用户权限级别有意发布的信息所导致的纯软件攻击，已成为片上系统 (SoC) 的关键安全考量。在本文中，我们采用基于监督学习的方法，基于从 EM 侧信道发射和软件暴露的动态电压频率调节 (DVFS) 状态提取的特征，推断在 android 平台上运行的应用。我们强调了基于机器学习的方法在复杂 SoC 上利用这些多维特征方面相对于基于画像方法的重要性。我们还表明，学习从板载频率驱动 (cpufreq) 轮询的瞬时频率状态足以识别已知应用并标记潜在恶意的未知应用。在 Snapdragon 820 开发板上 ARMv8 处理器上运行的基准测试应用的实验结果表明，可早期检测这些应用，并以至少 85% 的准确率检测未知应用。总体而言，重点是经由学习 CPU 核心的瞬时频率状态模式，利用一条低复杂度路径实现应用推断攻击。
引用
@article{arxiv.1907.04428,
title = {Application Inference using Machine Learning based Side Channel Analysis},
author = {Nikhil Chawla and Arvind Singh and Monodeep Kar and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:1907.04428},
year = {2019}
}