F-BLEAU：快速黑盒泄露估计
密码学与安全
2020-10-28 v2
摘要
我们考虑度量一个系统对其秘密输入揭示多少信息的问题。我们在黑盒设定下工作：假设对系统内部无任何先验知识，并对秘密的选择运行系统，从相应输出中度量其泄露。我们的目标是估计贝叶斯风险（Bayes risk），由此可导出一些最流行的泄露度量（例如，最小熵、加性与乘性泄露）。估计这些泄露度量的当前最优方法是频率主义范式，它通过观察输入与输出的频率来近似系统内部。遗憾的是，这对于具有大输出空间的系统无法扩展，因为那将需要过多的输入输出样例。因此，它也无法应用于具有连续输出的系统（例如，时间侧信道、网络流量）。在本文中，我们利用机器学习（ML）与黑盒泄露估计之间的类比，表明系统的贝叶斯风险可通过一类 ML 方法——普适一致学习规则（universally consistent learning rules）——来估计；这些规则可利用输入输出样例中的模式来改善估计的收敛性，同时保持形式最优性保证。我们关注其中一组规则，即最近邻规则；我们表明，每当相近输出倾向于由同一秘密产生时，它们显著减少精确估计所需的黑盒查询次数；此外，其中一些可处理具有连续输出的系统。我们在合成与真实世界数据上说明了这些技术的适用性，并与基于频率主义方法的当前最优工具 leakiEst 进行了比较。
引用
@article{arxiv.1902.01350,
title = {F-BLEAU: Fast Black-box Leakage Estimation},
author = {Giovanni Cherubin and Konstantinos Chatzikokolakis and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:1902.01350},
year = {2020}
}