基于侧信道分析的机器学习 AES 密钥恢复：来自 ASCAD 数据集
密码学与安全
2025-08-19 v1
摘要
加密算法如 AES 和 RSA 广泛使用且在数学上稳健几乎不可破译，但其在物理设备上的实现常通过侧信道如电磁(EM) 辐射泄露信息，potentially compromise 这些理论上安全的算法。本文研究机器学习(ML) 技术和深度学习模型用于利用此类泄漏进行部分密钥恢复。我们使用公共 ASCAD `fixed' 和 `variable' key 数据集，分别包含来自 8 位微控制器上 AES-128 实现的 700 和 1400 个 EM 痕迹。该问题被建模为 256 分类任务，针对第一轮 S-box 操作的输出，该输出取决于单个密钥字节。我们评估了标准分类器(Random Forest(RF)、支持向量机(SVM))、卷积神经网络(CNN)和残差神经网络(ResNet)。我们还探讨了 RF 基于特征重要性的降维实用性。关键的是，我们采用该领域特定的 Key Rank 指标进行评估，显示其对标准分类准确性的必要性。我们的结果表明，RF 和 SVM 在完整特征上进行关键排序表现不佳。然而，利用重要性分析识别的前 100 个特征训练的 RF 实现 Rank 0(成功的密钥字节恢复)，仅使用约一半的攻击痕迹。实现的 CNN 也能在固定密钥数据集上使用约 65 个攻击痕迹实现 Rank 0。ResNet 在大型复杂数据集上表现最佳，但在简单固定密钥数据集中就效率而言可能并非最佳选择。因此我们得出结论，特别是 CNN、ResNet 和特征选择的 RF，结合 Key Rank 指标，是侧信道密钥恢复的有效工具，确认了密码学实现的实际漏洞。
引用
@article{arxiv.2508.11817,
title = {Machine Learning-Based AES Key Recovery via Side-Channel Analysis on the ASCAD Dataset},
author = {Mukesh Poudel and Nick Rahimi},
journal= {arXiv preprint arXiv:2508.11817},
year = {2025}
}