SCA中聚类与统计分析的对比：机器学习更优的情形
密码学与安全
2022-01-06 v1
摘要
评估所实现密码算法对SCA攻击的抵抗能力，以及在设计过程早期检测SCA泄露源，对于实现的高效再设计十分重要。因此，不依赖于密码运算中所处理密钥的有效SCA方法是有益的，并且可成为实现密码方法的高效设计方法论的一部分。本工作中我们比较了两种用于分析椭圆曲线点乘功耗轨迹的不同方法。第一种方法“与均值比较”是基于统计分析的简单方法。第二种是K-means——最常用的无监督机器学习聚类算法。我们早期工作的结果显示机器学习算法并不优于简单方法。本工作中我们集中于使用两种分析方法对攻击结果进行比较，以理解其优势与缺陷。我们的结果表明，与均值比较仅当被攻击的kP执行中所处理的标量平衡(即标量k中'1'的数量与'0'的数量大致相等)时才正常工作。与此相反，K-means即使标量高度不平衡时也有效。即便标量k仅含极少量'0'位时仍有效。
引用
@article{arxiv.2201.01717,
title = {Clustering versus Statistical Analysis for SCA: when Machine Learning is Better},
author = {Marcin Aftowicz and Ievgen Kabin and Zoya Dyka and Peter Langendoerfer},
journal= {arXiv preprint arXiv:2201.01717},
year = {2022}
}