基于神经网络的高效时序泄漏检测与量化
密码学与安全
2019-07-25 v1 机器学习
软件工程
摘要
通过时序侧信道的信息泄漏检测与量化对于保证机密性至关重要。尽管静态分析仍是检测时序侧信道的主流方法，但对于实际应用而言计算挑战巨大。此外，检测技术通常仅限于“是”或“否”的回答。实践中，实际应用可能需要泄漏关于秘密的信息。因此，量化技术对于评估信息泄漏造成的威胁十分必要。由于这两个问题对静态分析技术而言极其困难甚至不可能解决，我们提出了一种动态分析方法。我们的新方法将问题拆分为两项任务。首先，我们将程序的时序模型学习为一个神经网络。其次，我们分析该神经网络以量化信息泄漏。如实验所示，这两项任务在实践中均可行——使得该方法相比最先进的侧信道检测与量化器有显著改进。我们的关键技术贡献在于：(a) 一种能够发现侧信道的神经网络架构；(b) 一种基于 MILP 的算法来估计侧信道强度。在一组微基准测试和真实应用上，我们展示了神经网络模型能够学习具有数千个方法的程序的时序行为。我们还展示了具有数千个神经元的神经网络可被高效分析，以检测和量化通过时序侧信道的信息泄漏。
引用
@article{arxiv.1907.10159,
title = {Efficient Detection and Quantification of Timing Leaks with Neural Networks},
author = {Saeid Tizpaz-Niari and Pavol Cerny and Sriram Sankaranarayanan and Ashutosh Trivedi},
journal= {arXiv preprint arXiv:1907.10159},
year = {2019}
}
备注
To Appear in RV'19