基于自动编码器隐空间分类的建模侧信道分析

侧信道分析是现实世界密码系统的主要威胁之一, 建模侧信道分析是一类重要的侧信道分析方法, 深度学习技术的引入可拓宽建模侧信道分析的应用场景、提升分析效率. 自动编码器 (auto-encoder, AE) 与变分自动编码器 (variational AE, VAE) 是被广泛研究的深度学习模型, 本文将它们引入建模侧信道分析, 提出了基于 AE 与基于 VAE 隐空间分类的建模侧信道分析方法, 并从生成模型的角度对这两种方法的可行性进行了分析. AE 和 VAE 中间产生的隐空间特征可视为侧信道曲线的低维生成特征, 提出的两种方法通过训练相应的 AE 和 VAE 来提取出能表征原始侧信道曲线的...

Full description

Saved in:
Bibliographic Details
Published inJournal of Cryptologic Research Vol. 10; no. 4; p. 836
Main Authors Yu-Hang, JI, ZHANG, Chi, Xiang-Jun, LU, Da-Wu, GU, 姬宇航, 张驰, 陆相君, 谷大武
Format Journal Article
LanguageChinese
Published Beijing Chinese Association for Cryptologic Research, Journal of Cryptologic Research 01.01.2023
Subjects
Classification
Coders
Cryptography
Datasets
Deep learning
Entropy
Euclidean geometry
Feature extraction
Machine learning
Normal distribution
Random noise
Support vector machines
Online AccessGet full text

Cover

More Information
Summary:侧信道分析是现实世界密码系统的主要威胁之一, 建模侧信道分析是一类重要的侧信道分析方法, 深度学习技术的引入可拓宽建模侧信道分析的应用场景、提升分析效率. 自动编码器 (auto-encoder, AE) 与变分自动编码器 (variational AE, VAE) 是被广泛研究的深度学习模型, 本文将它们引入建模侧信道分析, 提出了基于 AE 与基于 VAE 隐空间分类的建模侧信道分析方法, 并从生成模型的角度对这两种方法的可行性进行了分析. AE 和 VAE 中间产生的隐空间特征可视为侧信道曲线的低维生成特征, 提出的两种方法通过训练相应的 AE 和 VAE 来提取出能表征原始侧信道曲线的隐空间特征, 并通过 VAE 探讨了隐空间分布为高斯分布时对建模分析效率的影响. 随后提出了三种隐空间特征分类策略:基于欧氏距离的分类策略、基于 KL 散度的分类策略以及基于支持向量机的分类策略, 这些策略可对提取出的隐空间特征进行分类, 从而完成建模侧信道分析. 在 DPAv4.1 与增加了高斯噪音的 ASCAD 数据集上的实验结果表明, 基于 AE 和 VAE 的建模侧信道分析方法使用三种分类策略的攻击效果均大幅度优于池化模板. 从猜测熵的角度看, 基于 VAE 的方法仅需 10 条 DPAv4.1 的曲线与 1660 条加了噪音的 ASCAD 曲线即可使得两者猜测熵为 0, 而模板攻击则分别分别需要 84 条和 3899 条曲线,效率提升分别达到了 88.1% 与 54.7%. 这说明在建模侧信道分析的场景下, VAE 有着很好的应用潜能.
Bibliography:ObjectType-Article-1
SourceType-Scholarly Journals-1
ObjectType-Feature-2
content type line 14
ISSN:2097-4116
DOI:10.13868/j.cnki.jcr.000632