使用CGAN解决侧信道建模攻击中的数据不平衡问题

"这篇论文提出了一种新的方法来解决侧信道建模攻击中的数据不平衡问题，使用条件生成对抗网络（CGAN）生成轨迹数据，通过数据扩充来创建平衡的训练集，从而提高攻击模型的性能。这种方法在AES硬件和软件实现的多种防护策略下进行了验证，表现出更优的攻击效果和类别预测准确性。" 文章详细内容： 在信息安全领域，侧信道建模攻击（Side-Channel Modeling Attack, SCMA）是一种利用实施加密操作时产生的物理痕迹（如电力消耗、执行时间等）来推断其内部状态的技术。这些物理痕迹可以揭示加密算法的关键信息，导致安全漏洞。通常，这类攻击基于机器学习或深度学习的有监督分类方法，其中分类标签依赖于泄露模型，比如汉明重量（Hamming Weight, HW）和汉明距离（Hamming Distance, HD）。 然而，当使用HW/HD作为轨迹数据的标签时，由于不同类别的样本数量可能存在显著差异，这会导致数据不平衡问题，进而影响模型的学习和预测能力。为了解决这个问题，论文提出了使用条件生成对抗网络（CGAN）来生成新的轨迹数据，进行数据扩充，以平衡各类别的样本数量。CGAN是一种特殊的生成对抗网络，它可以在给定特定条件（如类别标签）的情况下生成新的、具有代表性的数据样本。 实验部分，研究者选择了三个公开的AES实现数据集进行验证：无防护的AES硬件实现、一阶掩码防护的AES软件实现和带有随机延迟防护的AES软件实现。结果显示，通过CGAN生成的平衡训练集训练的模型，其攻击效果得到了显著提升，成功攻击所需的轨迹条数减少，并且对少数类别的样本预测准确度也有所提高，这意味着模型能更好地学习到各类别的特性。 与2019年Picek等人的工作相比，该方法进一步提升了侧信道建模攻击的性能，为处理数据不平衡问题提供了一个有效且创新的解决方案。该研究对于改进侧信道分析的安全防护措施，以及提升加密系统对侧信道攻击的抵抗力具有重要的理论和实践价值。 关键词：侧信道建模攻击，数据不平衡，生成对抗网络 分类号：TP309.7 文献标识码：A DOI：10.13868/j.cnki.jcr.000457 参考格式：汪平，郑梦策，南杰慧，罗志敏，胡红钢.一种针对侧信道建模攻击中数据不平衡的新方法[J].密码学报,2021,8(4):549–559. [DOI:10.13868/j.cnki.jcr.000457]