基于卷积自编码器的侧信道分析

doi:10.3969/j.issn.1006-2475.2024.03.018

摘要/Abstract

摘要： 摘要：兴趣点作为侧信道分析中的重要指标，准确选择出有效的兴趣点具有重要意义。针对公钥密码算法的聚类模型中兴趣点选择效果不佳，导致低识别率的问题，本文提出一种基于卷积自编码器的兴趣点选择方法。该方法在数据预处理后使用卷积自编码器来对数据特征进行学习，将其编码输出作为选择的兴趣点，结合聚类算法来完成侧信道攻击，最终成功恢复出密钥。实验以SM2解密算法中的多倍点运算过程作为研究对象，结果显示本文提出的方法可以用于侧信道分析中数据的兴趣点选择，大大提高了神经网络在侧信道分析方面的灵活性和实用性。

关键词: 关键词：侧信道, 卷积自编码器, 聚类, SM2算法, 兴趣点选择

Abstract: Abstract： As an important indicator in side channel analysis， Points-Of-Interest （POI） is of great significance to accurately select effective POI. Aiming at the problem of poor selection of POI in the clustering model of public key cryptography algorithm， which leads to low recognition rate， this paper proposes a method of POI selection based on convolutional auto-encoder. After data preprocessing， the method uses convolutional auto-encoder to learn data features， and uses its encoded output as the selected POI， combines with clustering algorithm to complete side channel attack， and finally successfully recoveres the key. The experiment takes the multi-point operation process in the SM2 decryption algorithm as the research object， and the results show that the proposed method can be used for data POI selection in the side channel analysis， which greatly improves the flexibility and practicality of neural networks in side channel analysis.

Key words: Key words： side channel, convolutional auto-encoder, clustering, SM2 algorithm, POI selection

中图分类号:

TP309

曾钟静昕, 甘刚. 基于卷积自编码器的侧信道分析[J]. 计算机与现代化, 2024, 0(03): 110-114.

ZENG Zhong-jing-xin, GAN Gang. Side Channel Analysis Based on Convolutional Auto-encoder[J]. Computer and Modernization, 2024, 0(03): 110-114.

参考文献

［1］ GIERLICHS B， LEMKE-RUST K， PAAR C， et al. Templates vs. stochastic methods： A performance analysis for side channel cryptanalysis［C］// Cryptographic Hardware and Embedded Systems - CHES 2006. Springer， 2006：15-29.
［2］ QUISQUATER J J. The power of cryptographic attacks： Is your network really secure against side channels attacks and malicious faults?［C］// 2007 International Symposium on Stabilization， Safety， and Security of Distributed Systems. Springer， 2007. DOI： 10.1007/978-3-540-76627-8_1.
［3］ BHASIN S， DANGER J L， GUILLEY S， et al. NICV： Normalized inter-class variance for detection of side-channel leakage［C］// 2014 International Symposium on Electromagnetic Compatibility. IEEE， 2014：310-313.
［4］黄洁，王燚. 适用于侧信道分析的卷积神经网络结构的实验研究［J］. 成都信息工程大学学报， 2019，34（5）：449-456.
［5］ JIN S， KIM S， KIM H S， et al. Recent advances in deep learning-based side-channel analysis［J］.ETRI Journal， 2020，42（2）：292-304.
［6］ BATINA L， HOGENBOOM J， VAN WOUDENBER-EG J， et al. Getting more from PCA： First results of using principal component analysis for extensive power analysis［C］// 2012 Cryptographers’ Track-RSA Conference. Springer， 2012：383-397.
［7］ HEYSZL J， IBING A， MANGARD S， et al. Clustering algorithms for non-profiled single-execution attacks on exponentiations［C］// 2013 International Conference on Smart Card Research and Advanced Applications（CARDIS）. Springer， 2013：79-93.
［8］ PERIN G， IMBERT L， TORRES L， et al. Attacking randomized exponentiations using unsupervised learning［M］// Constructive Side-Channel Analysis and Secure Design. Cham： Springer International Publishing. 2014：144-160.
［9］ PERIN G， CHMIELEWSKI Ł. A semi-parametric approach for side-channel attacks on protected RSA implementations［C］// International Conference on Smart Card Research and Advanced Applications-CARDIS 2015. Springer， 2015：34-53.
［10］ PERIN G， CHMIELEWSK I Ł， BATINA L， et al. Keep it unsupervised： Horizontal attacks meet deep learning［J］. IACR Transactions on Cryptographic Hardware and Embedded Systems， 2020，2021：343-372.
［11］ NASCIMENTO E， CHMIELEWSKI Ł. Applying horizontal clustering side-channel attacks on embedded ECC implementations［C］// International Conference on Smart Card Research and Advanced Applications-CARDIS 2017. Springer， 2018：213-231.
［12］苏沛源，闫薇薇，王成瀚，等. 基于卷积自编码器特征提取的表面粗糙度预测方法［J］. 机械设计与研究， 2022，38（2）：145-149.
［13］周梓馨，张功萱，寇小勇，等. 一种基于自注意力机制的深度学习侧信道攻击方法［J］. 信息安全研究， 2022，8（8）：812-824.
［14］唐鸿. 针对椭圆曲线数字签名的侧信道攻击的研究与实现［D］. 成都：电子科技大学， 2021.
［15］赵毅强，王庆雅，马浩诚，等. 基于数据预处理的侧信道分析优化方法［J］. 电子与信息学报， 2023，45（1）：49-58.
［16］国家密码管理局. GM/T 0003-2012 SM2椭圆曲线公钥密码算法［S］. 北京：中国标准出版社， 2010.
［17］ KOCHER P C. Timing attacks on implementations of Diffie-Hellman， RSA， DSS， and other systems［C］// 1996 Advances in Cryptology. Springer， 1996：104-113.
［18］段晓毅，刘承远，李邮. 针对未知防御智能卡的能量分析攻击［J］. 北京电子科技学院学报， 2022，30（2）：10-22.
［19］ ZDENEK M， LUKAS M. Profiling power analysis attack based on multilayer perceptron network［J］. Computational Problems inScience and Engineering， 2015（343）：317-339.
［20］ PICEK S， HEUSER A， GUILLEY S. Template attack versus Bayes classifier［J］. Journal of Cryptographic Engineering， 2017，7（2）：1-9.
［21］ DUSART P， LETOUMEUX G， VIVOLO O. Differential fault analysis on AES［C］// 2003 Applied Cryptography and Network Security. Springer， 2003：293-306.
［22］ BIHAM E， SHAMIR A. Differential fault analysis of secret key cryptosystems［C］// 1997 Annual International Cryptology Conference. Springer， 1997：513-525.
［23］ KOCHER P C， JAFFE J， JUN B. Differential power analysis［M］// Power Analysis Attacks. Springer， 2007：119-165.
［24］ MANGARD S. A simple power-analysis （SPA） attack on implementations of the AES key expansion［C］// Information Security and Cryptology—ICISC 2002. Springer， 2002：
343-358.
［25］王立辉，赵兵，李清，等. 一种针对SM2规整点乘算法的新型SPA攻击［J］. 微电子学与计算机， 2018，35（8）：26-30.
［26］ KOCHER P C， JAFFE J， JUN B， et al. Introduction to differential power analysis［J］. Journal of Cryptographic Engineering， 2011，1（1）：5-27.
［27］ HA J， KIM C， MOON S， et al. Differential power analysis on block cipher ARIA［C］// 2005 High Performance Computing and Communications. Springer， 2005：541-548.
［28］ BRIER E， CLAVIER C， OLIVIER F. Correlation power analysis with a leakage model［C］// Cryptographic Hardware and Embedded Systems - CHES 2004. Springer， 2004：16-29.
［29］ LE T， CLÉDIÈRE J， CANOVAS C， et al. A proposition for correlation power analysis enhancement［C］// Cryptographic Hardware and Embedded Systems - CHES 2006. Springer， 2006：174-186.
［30］ LIU Z L， GUO XU， CHEN Y C， et al. On the ability of AES s-boxes to secure against correlation power analysis［C］// International Conference on Information Security Practice and Experience. Springer， 2007：43-50.
［31］ DO N T， HOANG V P. An efficient side channel attack technique with improved correlation power analysis［C］// EAI International Conference on Industrial Networks and Intelligent Systems， INISCOM 2020. Springer， 2020：291-300.
［32］ AMIEL F， FEIX B， VILLEGAS K. Power analysis for secret recovering and reverse engineering of public key algorithms［C］// 2007 Annual International Workshop on Selected Areas Cryptography. Springer， 2007：110-125.
［33］ ALIOTO M， POLI M， ROCCHI S. A general power model of differential power analysis attacks to static logic circuits［J］. IEEE Transactions on Very Large Scale Integration （VLSI） Systems， 2010，18（5）：711-724.

[1]	吕美静1, 年梅1, 张俊1, 2, 付鲁森1. 基于自编码器的网络流量异常检测[J]. 计算机与现代化, 2024, 0(12): 40-44.
[2]	刘文亮1, 吴飞1, 何德明1, 赵维伟2, 潘建宏3. 基于相异度矩阵的碎片化回复文本聚类方法[J]. 计算机与现代化, 2024, 0(09): 56-60.
[3]	袁红伟1, 常利军1, 郝家欢2, 樊娜2, 王超2, 罗闯2, 张泽辉2. 基于标签传播的轨迹兴趣点挖掘及隐私保护[J]. 计算机与现代化, 2024, 0(05): 46-54.
[4]	敖博超, 范冰冰. 基于AP聚类算法的联邦学习聚合算法[J]. 计算机与现代化, 2024, 0(04): 5-11.
[5]	孟雅蕾1, 师红宇1, 王予2. 一种无阻流量预测方法[J]. 计算机与现代化, 2024, 0(04): 33-37.
[6]	王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.
[7]	王宏杰, 徐胜超. 基于希尔伯特相似度的云平台异常传输数据聚类方法[J]. 计算机与现代化, 2023, 0(09): 27-31.
[8]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[9]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[10]	王艺成, 张国良, 张自杰, . 基于改进YOLOv5的小目标检测方法[J]. 计算机与现代化, 2023, 0(05): 100-105.
[11]	马瑜涓, 韩建宁, 史韶杰, 曹尚斌, 杨志秀. 基于HMRF的改进Kmeans脑肿瘤分割算法[J]. 计算机与现代化, 2023, 0(03): 1-5.
[12]	洪涛, 朱鹏宇, 郭波, 王敬宇. 基于半监督聚类的通信缺陷研判知识库构建及迭代技术[J]. 计算机与现代化, 2023, 0(02): 28-33.
[13]	刘兴建, 杨晓夫, 胡磊. 基于非负矩阵分解的半监督模型用于多层网络聚类[J]. 计算机与现代化, 2023, 0(02): 83-88.
[14]	文紫鑫, 李少英, 王斌成, 刘博, . 基于近邻关系聚合的人脸聚类方法[J]. 计算机与现代化, 2022, 0(12): 81-87.
[15]	关云鹏, 刘玉龙. 基于从共现矩阵提取关联的类别型数据聚类[J]. 计算机与现代化, 2022, 0(11): 1-8.