利用条件生成对抗网络提升实用剖析侧信道攻击的性能
密码学与安全
2020-07-13 v1
摘要
近来，许多基于机器学习和深度学习的剖析侧信道攻击被提出。它们大多聚焦于通过优化建模算法来减少成功攻击所需的轨迹数。在先前工作中，需要使用相对充足的轨迹来训练模型。然而，在实际剖析阶段，由于各种资源的限制，难以或无法收集到充足的轨迹。在这种情况下，即便使用了恰当的建模算法，剖析攻击的性能也低下。在本文中，我们考虑的主要问题是当无法获得充足剖析轨迹时如何进行更高效的剖析攻击。为处理该问题，我们首次在侧信道攻击背景下引入条件生成对抗网络（CGAN）。我们展示 CGAN 可生成新轨迹以扩大剖析集规模，从而提升剖析攻击性能。对于无保护及有保护的密码算法，我们发现 CGAN 能有效学习其实现中收集轨迹的泄露信息。我们还将之应用于不同建模算法。在我们的实验中，利用增广剖析集构建的模型可将所需攻击轨迹减少一半以上，这意味着生成的轨迹能提供与真实轨迹同样有用的信息。
引用
@article{arxiv.2007.05285,
title = {Enhancing the Performance of Practical Profiling Side-Channel Attacks Using Conditional Generative Adversarial Networks},
author = {Ping Wang and Ping Chen and Zhimin Luo and Gaofeng Dong and Mengce Zheng and Nenghai Yu and Honggang Hu},
journal= {arXiv preprint arXiv:2007.05285},
year = {2020}
}