利用多输出深度神经网络和迁移学习实现的高效无特征提取侧信道攻击

《Computer Networks》:Efficient non-profiled side-channel attack using multi-output deep neural network and transfer learning

【字体: 大 中 小 】 时间:2026年09月30日 来源:Computer Networks 4.7

编辑推荐:

  摘要 侧信道分析(SCA)是一种强大的攻击方法,它利用加密设备意外泄露的物理信息,如功耗、电磁辐射或执行时间。在这项研究中,我们专注于通过应用迁移学习技术来提高针对AES-128算法的非特征化SCA的有效性。迁移学习通过利用在相关数据集上预训练的深度学习模型的知识,即使在可用

  摘要
侧信道分析(SCA)是一种强大的攻击方法,它利用加密设备意外泄露的物理信息,如功耗、电磁辐射或执行时间。在这项研究中,我们专注于通过应用迁移学习技术来提高针对AES-128算法的非特征化SCA的有效性。迁移学习通过利用在相关数据集上预训练的深度学习模型的知识,即使在可用的痕迹有限的情况下也能增强攻击能力。我们提出了新的模型,将这些模型与多输出深度学习侧信道分析(MO-DLSCA)架构相结合,以提高非特征化SCA的整体效率。我们在ASCAD数据集和从ChipWhisperer板收集的数据集上进行了严格的实验验证,从而可以直接比较原始MO-DLSCA模型及其迁移学习增强版本的性能。结果明确表明,所提出的模型不仅保持了高准确性(在密钥恢复中始终超过80%的成功率),而且还显著减少了攻击时间(最多减少了24.7%)和所需的功耗痕迹数量(根据具体的对抗措施和模型架构,减少了30%到60%)。这一有希望的结果突显了这种方法在非特征化侧信道分析领域的巨大潜力。

引言
随着电子设备的普及,它们被用于存储和处理银行、医疗保健和军事应用等关键领域的机密和敏感信息,因此需要强大的安全措施,尤其是在物联网系统中。因此,采用了加密算法来确保这些设备内处理的数据的真实性、完整性和保密性。尽管这些算法本质上能够抵御数学攻击和暴力攻击,但加密操作的物理执行不可避免地会留下可识别的侧信道泄露。这些意外的泄露信息,包括功耗、电磁(EM)辐射或处理时间,始终存在,并且可以通过一种称为侧信道分析(SCA)的方法被精心利用来揭示加密算法的秘密密钥。历史上,SCA主要分为两类:特征化攻击和非特征化攻击。

特征化攻击是一类强大的SCA,攻击者需要拥有与目标设备相同或相似的设备,这被称为特征化设备[1]。在特征化阶段,攻击者会在该参考设备处理已知明文和秘密密钥时对其进行物理泄露特征的描述。这一过程涉及收集大量的泄露痕迹并构建一个高度精确的泄露模型,通常使用模板攻击[2]或机器学习技术[3]等先进统计方法。一旦建立了可靠的特征模型,就可以通过将其观察到的泄露特征与预先构建的模型进行比较来攻击“目标设备”以推断出秘密密钥。特征化攻击的优势在于即使存在强大的对抗措施也能取得高成功率,这得益于特征化阶段获得的大量知识。然而,特征化攻击的一个显著缺点是其在实际应用中的可行性。在现实世界中,获取一个相同的特征化设备可能具有挑战性或根本不可能。实际上,对于运行银行应用的智能卡等封闭产品,攻击者无法控制密钥,通常受到交易次数的限制[4]。此外,特征化阶段本身可能非常耗资源,需要大量的数据收集和计算能力。

相比之下,非特征化攻击不需要特征化设备或事先详细了解设备的泄露特性。相反,这些攻击直接针对目标设备,依赖于加密算法内部计算的统计属性或已知特征。常见的非特征化技术包括差分功耗分析(DPA)[5]和相关功耗分析(CPA)[6],它们分析假设的中间值与观察到的功耗之间的统计相关性。最近,深度学习(DL)作为一种提高非特征化SCA准确性和效果的有希望的方法出现。这在很大程度上归因于它们处理大量泄露数据的熟练程度以及自主优化的能力,从而无需显式的、预先定义的泄露模型即可实现复杂的模式识别。这些基于DL的非特征化攻击,例如Timon提出的差分深度学习分析(DDLA)[7],通过训练神经网络来区分对应于正确和错误密钥猜测的痕迹,直接尝试识别正确的密钥假设。虽然非特征化攻击由于没有特征化阶段而提供了更大的实际灵活性,但它们常常面临诸如攻击性能低、泄露函数受限以及计算复杂度高等挑战[8]。解决这些局限性仍然是侧信道分析领域的一个关键研究方向。

尽管非特征化侧信道分析取得了进展,但在针对多字节密钥时仍存在一些限制,特别是在效率和可扩展性方面。最近,提出了基于深度学习的多输出神经网络非特征化侧信道分析(MO-DLSCA)作为一种增强非特征化攻击的有希望的方法[9]。这种方法通过在一个训练过程中同时估计多个密钥假设或特定密钥字节而显示出显著的有效性,从而提供了一种比传统迭代密钥猜测方法更简化的攻击方法。然而,现有的MO-DLSCA实现通常需要为每个后续的密钥字节从头开始重新训练模型。这种重复的重训练过程显著增加了总体攻击时间和计算开销,使得在需要快速恢复整个密钥空间的场景中效果不佳。为了克服这一效率瓶颈并进一步优化MO-DLSCA以适应多字节密钥的恢复,我们提出将其与迁移学习相结合。迁移学习提供了一个强大的范式,即一个在源任务上预训练的模型可以适配到新的相关目标任务上,显著减少训练时间和数据需求[10]。我们的假设是,一个成功训练用于攻击秘密密钥第一个字节的MO-DLSCA模型包含了有价值的泄露特征和表示。通过利用这个预训练模型并对后续密钥字节进行微调,我们希望加速攻击过程并提高非特征化MO-DLSCA的整体效率。这种方法预计将减少每个密钥字节的广泛重训练需求,为现实世界场景中的全面密钥提取提供更加实用和时间最优的解决方案。

在本小节中,我们回顾和讨论了与侧信道攻击中的迁移学习相关的先前工作。深度学习显著推进了特征化SCA的发展,但从头开始训练深度神经网络通常在计算上代价高昂且数据需求大[11][12]。为了缓解这些挑战,迁移学习(TL)在这一领域得到了广泛探索。例如,TranSCA提出了一种三步TL策略,用于跨系列特征化攻击:首先训练一个基础模型,然后用来自类似设备的较少痕迹对其进行微调,然后再攻击目标[12][13]。这种方法大幅度减少了不同设备系列的训练时间和数据需求。同样,X-DeepSCA开创了跨设备DL-SCA,通过在一个深度神经网络(DNN)上跨多个设备进行训练,在几秒钟内实现了超过99.9%的高准确性[14]。进一步的研究利用了预训练的深度卷积神经网络(CNN),如GoogLeNet、Inception V3、VGG16和MobileNetV2,用于特征化SCA,通常结合多尺度连续小波变换(CWT)等技术生成2D输入[11]。这些工作共同证实了TL有效地解决了特征化DL-SCA的高计算和数据需求问题。

虽然TL在特征化SCA中的优势已经得到很好验证,但其在非特征化场景中的应用是一个较新的研究方向。传统的非特征化DL-SCA方法,如DDLA,通常需要为每个密钥假设重新训练,导致大量的计算开销,特别是对于多字节密钥。一项显著的最新贡献是MO-DLSCA,它通过允许在一个训练过程中同时估计多个密钥假设来解决这个问题[9]。在此基础上,最近的研究将迁移学习结合到MO-DLSCA框架中,以进一步提高其在非特征化攻击中的效率[15]。这种组合方法证明了跨设备迁移学习的可行性,即在一个源设备上训练的模型可以适应在类似目标设备上恢复相同的密钥字节,且所需的痕迹显著减少。然而,[15]仅限于单个字节的攻击,并未考虑不同密钥字节之间的泄露模式变化。本文将这种方法扩展到跨字节TL场景,旨在利用从初始字节获得的知识来加速对后续字节的攻击,以恢复完整的16字节AES-128密钥。

为了充分说明所提出的跨字节传输方法的新颖性,有必要从机器学习(ML)的角度将其与文献中之前探索的跨设备(跨目标)传输场景(例如[15])正式区分开来。虽然这两种场景都使用了迁移学习,但它们解决了不同的泛化维度,并面临不同的优化挑战。

跨设备传输从根本上是一个物理域适应问题。在不同物理板上攻击完全相同的密钥字节时,算法执行序列和泄露点的时间对齐保持不变。ML模型的主要目标是在物理硬件变化中进行泛化——过滤掉由不同路由阻抗或负载电容引起的细微数据分布差异。底层数据上下文和时间特征得到了完美保留。

相反,跨字节传输代表了一个时空和上下文适应问题。在这种情况下,物理硬件特性是严格恒定的,提供了重要的物理对称性,使得预训练的共享层能够提取通用的泄露特征。然而,ML模型面临着两个全新的挑战。首先是时间偏移:不同的字节在不同的时钟周期内被处理,迫使卷积主干网络学会鲁棒的平移不变性以定位时间偏移的特征。其次是上下文数据偏移:在微控制器架构中,动态功耗泄露主要由高电容数据总线上的状态转换主导。字节N的目标泄露嵌入在与字节1完全不同的算法总线活动序列中(例如,获取不同的明文、更新不同的循环索引或内存寻址)。因此,神经网络必须学会一个更加通用的表示方法,以从这个变化的算法噪声中分离出目标特征。

表1总结了这些基本的ML区别。这些独特的挑战表明,跨字节传输不仅仅是简单的源-目标重分配,而是一个需要特定架构策略的独特学习问题——例如本工作中探讨的参数冻结和随机微调之间的谨慎平衡——以有效地适应时间偏移的窗口和变化的算法上下文。

利用上述分析,并为了解决高效执行多字节密钥非特征化侧信道攻击中的现有挑战,本文提出了一种利用迁移学习构建和评估新型非特征化MO-DLSCA模型的综合研究。我们的主要贡献有两个方面:
• 提出了用于非特征化MO-DLSCA的跨字节TL方法:与之前专注于在不同物理设备之间传输相同密钥字节的知识的研究不同,我们提出了一种在单个目标设备上恢复整个16字节AES密钥的新方法。我们系统地研究了跨不同密钥字节传输学习特征的流程,这本质上更具挑战性,因为每个字节相关的硬件泄露时间和噪声特征可能存在差异。
• 针对高级对抗措施的全面评估:我们通过严格评估其在各种现实世界加密图景中的有效性,大大扩展了非特征化TL攻击的范围。这包括对掩码实现、高噪声注入环境和受抖动影响的痕迹的评估。此外,我们比较了基于分类(MOC)和基于回归(MOR)架构的性能,同时分析了不同的传输策略,特别是参数冻结与微调,以确定各种安全场景下的最佳方法。

实验平台
在这项工作中,性能评估使用了的一阶和受保护的泄露数据。对于一阶泄露数据,我们使用了来自ChipWhisperer-Lite板上AES-128软件实现的ChipWhisperer(CW)数据集。为了评估对抗增强安全措施的有效性,ASCAD数据库用于表示掩蔽对策,而添加了加性噪声的ASCAD数据则专门用于研究隐藏对策的影响。基于迁移学习的MOC-DLSCA模型所提出的多层感知器多输出分类模型(MLPMOC_TL)是从[9]中引入的已建立的MLPMOC架构直接发展而来的。根据Do等人在[15]中的研究,MLPMOC模型每个分支的输出值和损失可以通过以下方程式(2)、(3)、(4)计算得出:

```python
yii = (1/2^56) * fout_i * MMO_x_j, θ;
θ_out_i = L_total = ∑_{i=1}^{2^56} ?_i * fout_i * MMO_x_j, θ;
θ_out_i, yi = ?_i / N * ∑_{j=1}^{N} sy_j - y?_j^2
```

其中`x_j`是输入迹,`θ`代表模型参数。

所有实验均在个人计算机工作站上使用TensorFlow和Keras深度学习框架进行。计算环境配置了8核苹果M1处理器和8GB的DDR4 RAM。特别是,攻击过程是在中央处理单元(CPU)上执行的,而不是在图形处理单元(GPU)上。这一决定基于两个因素:所使用的数据集规模适中,不需要使用GPU;以及AES S-box实现的物理对称性。由于加密硬件通常会重用相同的逻辑或电路结构来处理不同的密钥字节,因此产生的功耗模式具有高度的特征相似性。这使得我们的MO-DLSCA模型的共享层能够作为通用的特征提取器发挥作用。我们的控制实验进一步证明了这一点。

本文介绍了结合迁移学习的新模型,显著提高了基于多输出的深度学习侧信道分析的有效性。实验结果明确表明,引入迁移学习可以将成功恢复密钥所需的功率迹数量减少25%到60%,同时不牺牲准确性。此外,这种结合方法还显著缩短了攻击时间。

**CRediT作者贡献声明:**
- Huy-Thanh Le:撰写——原始草稿、软件、研究
- Ngoc-Tuan Do:可视化、方法论、数据整理
- Van-Phuc Hoang:撰写——审阅与编辑、监督、方法论、概念化
- Huu Minh Nguyen:验证、资源、研究

**利益冲突声明:**
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。

**致谢:**
东盟IVO(https://www.nict.go.jp/en/asean_ivo/index.html)项目“基于人工智能的智能医疗系统综合网络安全(AIPOSH)”参与了本出版物内容的制作,并得到了NICT(https://www.nict.go.jp/en/index.html)的财政支持。

作者:Huy-Thanh Le | Ngoc-Tuan Do | Van-Phuc Hoang | Huu Minh Nguyen
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号