借助 Mixup 强化基于深度学习的侧信道攻击
密码学与安全
2024-01-18 v2
摘要
近年来,多种深度学习技术被应用于侧信道攻击,期望获得更可观的攻击结果。多数工作集中于改进网络架构或提出新算法,并假设有充足的刻画轨迹可用于训练合适的神经网络。然而在实际场景中,刻画轨迹可能不足,导致网络学习不充分并损害攻击性能。本文研究一种称为 mixup 的数据增强技术,并首次提出将其用于基于深度学习的侧信道攻击,以扩充刻画集并提升成功发起攻击的可能性。我们对生成轨迹与原始轨迹进行相关性功耗分析,发现二者在泄漏信息方面存在一致性。实验表明 mixup 确实能增强攻击性能,尤其针对刻画轨迹不足的情形。具体而言,当训练集规模降至原始集的 30% 时,mixup 可显著减少所需攻击轨迹数。我们测试了三个 mixup 参数值,结论为通常它们均能带来改进。此外,我们比较了三种泄漏模型,意外发现以往较少使用的最低有效位模型,在攻击结果上实际优于流行的恒等模型与汉明重量模型。
引用
@article{arxiv.2103.05833,
title = {Towards Strengthening Deep Learning-based Side Channel Attacks with Mixup},
author = {Zhimin Luo and Mengce Zheng and Ping Wang and Minhui Jin and Jiajia Zhang and Honggang Hu},
journal= {arXiv preprint arXiv:2103.05833},
year = {2024}
}