基于多源数据聚合的神经网络侧信道攻击

摘要：

基于深度学习的侧信道攻击需要针对密码算法的每一个密钥字节建模并训练,数据采集和模型训练开销大.针对该问题,提出一种基于多源数据聚合的神经网络侧信道攻击方法.为筛选具有良好泛化效果的密钥字节泄露数据进行数据聚合,以AES-128算法为例,先基于 16个密钥字节的泄露数据训练 16个单密钥字节模型,分别实现对 16个密钥字节的恢复;其次,设计一种打分机制评估各单密钥字节模型的泛化效果,通过得分排序筛选出对各密钥字节恢复效果最好的单密钥字节模型;最后,以筛选模型所对应的各密钥字节泄露数据集构建多源数据聚合模型进行训练,实现密钥恢复.实验测试结果表明,多源数据聚合模型具有良好的泛化效果,有效提高了密钥恢复的准确率和效率,降低了恢复密钥所需的能量迹数量,其在采集能量迹较少的情况下依然具有较好的攻击效果.

关键词：侧信道攻击、神经网络、打分机制、数据聚合、数据标签

所属期刊栏目：61

分类号：TP309.7(计算技术、计算机技术)

在线出版日期：2024-01-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：261-270