面向多次缓存侧信道攻击检测的混合深度学习模型：比较分析

缓存侧信道攻击是一种灵巧且持久的威胁，利用现代处理器漏洞来提取敏感信息。这些攻击利用共享计算资源（尤其是最后一级缓存）中的弱点，推断数据访问和执行流程中的模式，常常绕过传统安全防御。此类攻击尤其危险，因为可以远程执行，无需对受害设备进行物理访问。本研究聚焦于此类威胁中的一种特定类别：指纹攻击，攻击者通过缓存侧信道监控和分析共置进程的行为。这可能揭示机密信息，如加密密钥或用户活动模式。综合威胁模型说明，共享计算资源的攻击者如何利用这些侧信道来 compromise 敏感数据。为缓解此类风险，本文提出一种混合深度学习模型用于检测缓存侧信道攻击，并将其性能与五种常用深度学习模型进行比较：多层感知器、卷积神经网络、简单循环神经网络、长短期记忆网络和门控循环单元。实验结果表明，混合模型达到了最高达99.96%的检测率。这些发现突显了现有模型的局限性、加强防御机制的必要性，以及为日益演变的侧信道威胁而保护敏感数据的未来研究方向。