文章信息

作者：Xiangjun Lu, Chi Zhang, Pei Cao, Dawu Gu, Haining Lu
单位：Shanghai Jiao Tong University, Shanghai, China
出处：IACR Transactions on Cryptographic Hardware and Embedded Systems
标题：Pay Attention to Raw Traces: A Deep Learning Architecture for End-to-End Profiling Attacks
日期：2021年7月9日

研究背景

深度神经网络与侧信道攻击相结合对加密设备造成了巨大的威胁，但大部分文章都是基于一个假设前提，即攻击者攻击的兴趣点区间是基于先验知识挑选出来的，为了完全基于黑盒对设备发起侧信道攻击，作者直接将原始能量迹作为输入来完成“端到端”的侧信道攻击。

文章内容

本文贡献

提供了针对不同数据集端到端建模攻击的模型框架
探索了注意力机制在侧信道攻击中的作用
公开了一个数据集

模型整体架构

在本文中作者将自编码器（Encoder层）、注意力机制、区分器（CNN、MLP）融合在一起，以此来发动对原始能量迹的攻击。

自编码器层（堆叠自编码器LC层组合）

图1 模型架构

研究思路

作者认为在worse case下，如果硬件设备上了掩码（N阶）会导致攻击者需要一段很长的时间样本序列来进行分析，目前已有许多工作利用CNN、MLP等深度学习方法来完成在指定数据集上的攻击，但是现实场景下能量迹的数量如DPAv4.2有超过1,600,000个样本点，ASCAD有250,000个样本点（原文的话），如果此时攻击者无法基于灰盒模式对能量迹进行兴趣点区间的提取，那么考虑对原始能量迹发起端到端攻击是有意义的。

此外，MLP在特征数量过高的时候会有过拟合风险，CNN在针对高维数据构建多层网络时设计较为棘手，为此作者提出四点设计原则：

避免在高维层之间使用全连接层
避免对高维数据扩大特征维度
前几层应做特征提取
分类器之前的层应能够提取出细粒度的特征

（局部连接）LC层与卷积层

如图2所示，由于在滑动滤波器时起始位置和设备的时钟周期不一定总是对齐的，从而导致预期位置与实际位置不同，由于偏差的影响，卷积层无法共享同一个权重，但是步长为1的情况下可以提取去同步的特征。

LC层进关注独立的区域，不会受到距离较远的噪声的影响，即仅关注小范围区间。

图2 多个时钟周期下滤波器起始位置与预期位置偏差

LSTM

用的seq2seq模式构建lstm的模型，没有实现过先不展开。

Attention

本人认为比较重要的就是注意力这块，在经过上层编码器Encode之后的"Embeddings"仍然对应有不同的权重，即存在噪声特征，在LSTM前我们必须对提取到的这些特征分配不同的权重，是模型关注重要泄漏点，本文使用了Bahdanau等人^[1]提出的模型，此外，作者认为在编码器之后使用注意力机制是不合适的。