AI侧信道攻击中Prediction转换的实现
ee733bf2dd71e66968255e3fc5c69a3c9426396d8184a3d8debb0e375ed0038347c7c0a87475f41c397f226462cf5fd21c83d4aafe236eabba21cf2ab57258142d498a84a19b3f7d0308bfd5761cc8de1de17fdcb96e6b677f6087bb69735dadfcd2673e9005c0cddd53db832a5ae9ebedc838295bb92eb41e70201da3f15299cd0a057f37e0e204c73da8bd18485618f8c4272a2f82eafc8fb844652d8d0fa48bf6ccc33bbc7ef5822629ad4c7f2cfaf40d0bd51d9c120eae73516697f512e842284ed2930e5 ...
文献阅读笔记-CDAE: Towards Empowering Denoising in Side-Channel Analysis
文章信息
作者：Guang Yang, Huizhong Li, Jingdian Ming and Yongbin Zhou
单位：State Key Laboratory of Information Security, Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China
出处：International Conference on Information and Communications Security
标题：CDAE: Towards Empowering Denoising in Side-Channel Analysis
文章内容
作者认为噪声通常会对密钥恢复效率有负影响，基于此采取自编码器来对输入的能量迹进行降噪处理，对处理过后的能量迹做 ...
自定义侧信道攻击中的网格搜索超参数方法
自定义侧信道攻击中的网格搜索超参数方法
在侧信道攻击中使用的超参搜索方法均为for循环，最近在训练AE时发现sklearn有现成的greph方法来完成网格调参，但是自带的方法自由度较低，且在判定超参好坏时并没有考虑到侧信道攻击并不主要以acc来判定模型的攻击效率，这里引入sklearn中的ParameterGrid方法来完成自定义构造。
Python: 3.8.16 Sklearn==1.0.2
Monkey_search方法
123456789101112131415161718192021222324252627282930def monkey_search(data, params, model, callbacks, key, shuffle=True, pred_size=5000, verbose=1): assert type(callbacks) == lis ...
post_condition_gan-based_DLSCA
ee733bf2dd71e66968255e3fc5c69a3c16d9a803e9ff265cdd0b4534cc25fb1dab68598a27526621c29525bec1cc20211969058e00be57ed9e677f29e808304f5984c73cb7cb8605f6afbc83bbef5653d4b0d7d599d1575ff63c884454f0c8d715a1af3e96954583ea5f4a61a0d11713f8c7601bef26978d18bc71f9e4183cd6fca2ea32b8960d6df1e3332379f603d2388ee61f04213b082fa8a9af7f0eb942ded237a405f3c5955de5072be0ceb988f217e900d4593b7ec3a1fcea2b31146181d84ead88328 ...
文献实验复现笔记-Revisiting a Methodology for Efficient CNN Architectures in Profiling Attacks
上链接：https://github.com/i4mhmh/Recurrent-Revisiting-a-Methodology-for-Efficient-CNN-Architectures-in-Profiling-Attacks
文献阅读笔记-Revisiting a Methodology for Efficient CNN Architectures in Profiling Attacks
文章信息
作者：Lennert Wouters, Victor Arribas, Benedikt Gierlichs and Bart Preneel
单位：imec-COSIC, KU Leuven Kasteelpark Arenberg 10, B-3001 Leuven-Heverlee, Belgium
出处：IACR Transactions on Cryptographic Hardware and Embedded Systems
标题：Revisiting a Methodology for Efficient CNN Architectures in Profiling Attacks
文章内容
研究背景
本文主要针对于Zaid在2020年发表论文中的部分论点进行实验取证，构造了不同的网络结构，不同的超参数。
前置知识
数据集
ASCAD
DPA ...
华为杯-通用web漏洞检测与验证
ee733bf2dd71e66968255e3fc5c69a3c048225b1276a78af7c96d874f4f6fbb8e08cdb2cdf7e0fe240ed1c2761d4a80b7bf338f0cfbd020f5ee6f7234f7390791f9c16e003e8e4a750064eb7f40b021a99cfe827c4fe31471e772be34d0058cc909276c87ef05d266e6b9b145c20eb100655cdf28a5f41f3308178dbb7e058b0d1dd37f9bea6c0ffea3d0c815de0a660cf1022aa30dfc12a18fdd65e5428b4e37b1c9cd542168e9b40442925c1831a6da96a4490ebb1f63e169e9327b7061e0d956f4859f206c ...
猜测熵
猜测熵
最近开始着手复现论文,但发现猜测熵我写不出来,看着公式我用代码推出来的结果跟作者的猜测熵出入很大,怀疑自己对猜测熵的真实含义有些误解,在这里重新记录下来猜测熵的计算。
时隔一个月来填坑, 果然我写的有错,有时候看别人的论文真不如直接去看代码,但能有多少人把自己的论文开源呢?
以ASCAD固定密钥的数据集为例
将测试集输出概率按十个一组划分,(1 000个分为100组) ,此时概率对应的是Sbox(Plaintext ^ key) -> 中间值的概率
初始化概率数组 值全为0,长度为256,$$ 2^8 $$也就是计算一字节密钥值,此时我们拿到的是前十个输出的概率分布,对应模拟出密钥从1到256,将概率log,按次序排放
将十个计算出来的概率分布对应累加,从大到小排序(这里不改变之前的概率分布的排序,只是算出来排序来计算),最后计算得到真实密钥的排名
重复第二、三步,但是 ...
文献实验复现笔记-Multilabel Deep Learning-Based Side-Channel Attack
数据集
名称
内容
ASCAD
60 000条能量迹, 700个特征
AES_HD
500 000条能量迹, 1250个特征
AES_RD
50 000条能量迹, 3500个特征
数据预处理
由于本论文中作者在每条能量迹都打上八个标签,因此要把原来的label划分为8bit,写了个简单的poc。
1234567891011121314151617181920212223in_file = h5py.File('../yourdatasets/ASCAD.h5', "r")X_profiling = np.array(in_file['Profiling_traces/traces'], dtype=np.int8)# Load profiling labelsY_profiling = np.array ...