通过深度神经网络的对抗训练定位功耗侧信道泄漏
机器学习
2024-10-31 v1 密码学与安全
摘要
监督深度学习已成为对加密实现进行功耗侧信道攻击的有效工具。虽然越来越强大的基于深度学习的攻击方法定期被发表，但利用深度学习来防御这些攻击的工作相对较少。在这项工作中，我们提出了一种技术，通过基于深度学习的侧信道攻击者与可训练噪声生成器之间的对抗博弈，来识别功耗轨迹中哪些时间步负责泄漏密钥。攻击者试图从加密期间记录的功耗轨迹中分类一个敏感变量，而噪声生成器则试图通过向功耗轨迹中引入最小量的噪声来挫败这种攻击。我们在合成数据集上证明，在存在常见对策（如布尔掩码和轨迹去同步）的情况下，我们的方法可以优于现有技术。在真实数据集上的结果较弱，因为该技术对超参数和早停点高度敏感，并且我们缺乏一个带有泄漏点真实标记的保留数据集用于模型选择。尽管如此，我们相信我们的工作代表了在不依赖对实现或其泄漏性质的强假设的情况下，进行深度侧信道泄漏定位的重要第一步。我们提供了实验的开源 PyTorch 实现。
引用
@article{arxiv.2410.22425,
title = {Power side-channel leakage localization through adversarial training of deep neural networks},
author = {Jimmy Gammell and Anand Raghunathan and Kaushik Roy},
journal= {arXiv preprint arXiv:2410.22425},
year = {2024}
}