文献阅读笔记-Study of Deep Learning Techniques for Side-Channel Analysis and Introduction to ASCAD Database

文章信息

• 作者：Ryad Benadjila, Emmanuel Prouff, Rémi Strullu, Eleonora Cagli and Cécile Dumas

• 单位：CEA, LETI, MINATEC Campus, F-38054 Grenoble, France

• 出处：ePrint

• 标题：Study of Deep Learning Techniques for Side-Channel Analysis and Introduction to ASCAD Database

文章内容

这篇论文属于是入门必读了，了解深度学习结合侧信道要做什么，先从该论文入手最好。

背景

在当时将侧信道攻击与传统机器学习相结合，已经被证实相较于模板攻击有许多优势，但超参数的设计往往被保密，造成了论文中的方法以及结果不可复现。

目的及方法

为了解决上述问题，作者将自己分析到的AES能量迹数据集公开（ASCAD），并且解决了在该数据集上CNN、MLP模型的超参数选择问题以及模型评估指标。

评估指标

指标	含义
秩函数
准确性
计算时间	-

秩函数

十折交叉验证

https://i4mhmh.cn/archives/undefined.html

ASCAD

数据集：https://i4mhmh.cn/archives/5dad75f5.html#实验与结果

具体数据集采集工作暂不去研究，以后应该也不会补。

作者将此数据集打包为h5格式，调用数据的时候最好将其中的数据打包为np或tf的格式。数据集解压后分为三个主目录，每个不同设备上采集的数据集的结构均为Profiling_traces与Attack_traces两个索引，每个索引下存放三个小数据集traces、label、metadata

MLP

Url:

模型	数值
层数	6
神经元	200
激活函数	ReLU
优化器	RMSProp
超参数	-
学习率	0.00001
epochs -> batch	-

如图一所示，在其他条件不变的情况下，对epoch的次数对结mean rank（MR）的影响进行研究，发现在epoch等于一千的时候，无论是多少次迭代，都无明显的收敛效果（红框所示），这里作者表述实验时800以上就是此效果，~说明小批量学习在此模型中的表现欠佳~ 什么也说明不了，只能说给epochs设定了一个上限 。这里params data len（pdl）是能量迹的条数参数化表示，不同epoch的pdl不同，目的是为了保证最后运行的时间相同。

之后作者去搜索epoch与batchSize的最佳平衡参数，给出的结果表明在epochs=400，batch size=100时平均秩函数的收敛效果最好。

在相同条件下，作者测试了Adadeita、Adagrad、Adam、RMSprop、SGD等优化器对MR的影响，发现RMSprop优化器的效果最佳，结果如图3所示。

之后作者调整不同的学习率来寻求最优收敛，发现1e-05的效果最佳，结果如图4所示。

关于MLP的层数，作者选择3、4、5、6、7、8、11来对比，结果显示MLP层数为6的时候精度较高，如图5所示。

作者关于每层的神经元个数做了对比实验，发现当神经元个数大于200时，准确性会有波动且训练时间会增加，如图6所示。

最后作者讨论了激活函数对于模型性能的影响，作者挑选了ReLU、tanh、softplus、softmax、softsign、sigmoid、lnear、hard_sigmoid等激活函数，最后这里作者说明ReLU函数的结果较好且相较于其他激活函数的训练时间最短。结果如图7所示。