文章信息

  • 作者：Cristian-Alexandru Botocan

  • 单位：EEMCS, Delft University of Technology, The Netherlands

  • 出处：ePrint

  • 标题：One Network to rule them all. An autoencoder approach to encode datasets

文章内容

背景

​ 越来越多的研究证实了模板攻击在侧信道攻击中的有效性，而深度学习结合侧信道攻击，即在结合ML模型后性能较好。自CNN应用到侧信道攻击中后，相继有许多其他模型被提出，但统一的问题在于每个模型都可以在单一的数据集中表现良好，而当加密算法种类增加对于每个算法都要找到对应最佳模型，即对于不同数据集要找到不同的算法最优解的时间开销较大。

目的

作者引入Deep Fake的概念,通过AEs(AutoEncoders-自编码器)将数据集的特征进行压缩以减轻存储开销，主要目的是找到一个通用模型，对维度统一后的数据集进行攻击，这里统一的数据集与源数据在数量上相同，但维度参数完全不同。

结论

进行AE预处理后的数据集与未处理的数据集结果仍受模型的影响，对于不同的模型效果截然不同，在No Conv模型上获得了较大的性能提升。

实验与结果

作者采Vanilla AE自编码器（结构如图1所示），优化器Adamax，Epochs={500, 700, 1000}，学习率：0.01,0.001,0.0025,Batch_size={200, 400},Shuffle=True。模型为ML Basic、MLP Best、CNN Best、No Conv。评价指标为GE(Guess Entropy)、SR（Success Rate），GE收敛到1即为攻击成功。

数据集名称 介绍 地址
ASCAD fixed key 6w条能量迹，700个特征，算法：AES128，采集设备：ATMega8515 https://github.com/ANSSI-FR/ASCAD
ASCAD fixed key with desynchronization 人为的随机去同步 -
ASCAD variable key -
CHESCTF 1w条能量迹，65w个特征，算法：AES128，采集设备STM32， 作者提取了4k个特征。 https://zenodo.org/record/3733418#.Yc2iq1ko9Pa
DPAV42 8w条能量迹，800个特征，算法：带掩码的AES128，采集设备：8-bit controller https://www.dpacontest.org/v4/42_traces.php
图1 VAE结构

图2 为预处理与未预处理的数据集在MLP Basic模型上的表现，对于不采用对抗措施的ASCAD、DPAV42数据集无明显改进，且在使用了时钟抖动的数据集上GE无法收敛到1，在CHSCTF数据集上，作者将GE无法收敛归因于能量迹条数过少以至于学习不完4000个特征，造成数据集的破坏。因为相较于CHESCTF，DPAV42数据集上的800个特征以及8w条能量迹使得攻击效果较好。

图2 MLP Basic攻击结果图2 MLP Basic攻击结果

MLP Best是针对于ASCAD优化的模型，因此在图三中可以看出预处理后的GE收敛效果不明显甚至较差，而在CHESCTF上的收敛结果较好。

图3 MLP Best

CNN Bset同样为带有防御措施的ASCAD数据集准备，在ASCAD_fixed_desync50/100上预处理的攻击效果反而较差。

图4 CNN Best攻击结果

如图五所示，在ASCAD_variable与CHESCTF数据集中表现较好，GE收敛速度要优于未处理攻击。

图5 No Conv模型攻击结果

附数值表

NT attacking： NT - number of traces used for the attacking becomes smaller than the maximum set value.

Comparison with the baseline for the MLP Basic

Comparison with the baseline for the MLP Best

Comparison with the baseline for the CNN Best

Comparison with the baseline for the No Conv

总结

作者通过自编码器对数据集进行预处理，在不同模型、不同数据集的条件下进行评估，虽然结果并没有整体偏好，但在某方面有较大的提升，特别是在No Conv模型下。总体指出一个研究方向：统一模型，即要在同一个模型下能对多个数据集进行处理，要求找到最优压缩方法，对不同的数据集进行处理，得到整体较好的结果。