Video Experimental Relacionado
Updated: Sep 10, 2025
06:19
Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
524
Ataques de canal lateral AES eficientes basados en el Mamba residual mejorado CNN
Zhaobin Li1, Chenchong Du1, Xiaoyi Duan1
1Beijing Electronic Science and Technology Institute, Beijing 100070, China.
Entropy (Basel, Switzerland)
|August 28, 2025
Resumen
Este estudio introduce un nuevo modelo de aprendizaje profundo para mejorar la eficiencia del ataque de canal lateral (SCA) en las implementaciones de AES. La arquitectura híbrida supera significativamente los métodos existentes, logrando ataques de alto rango con un mínimo de datos.
Área de la Ciencia:
- Criptografía e ingeniería de seguridad
- Inteligencia artificial y aprendizaje automático
- Arquitectura informática y sistemas integrados
Sus antecedentes:
- Los métodos de aprendizaje profundo son cada vez más vitales para los ataques de canal lateral (SCA) debido a su extracción de características avanzadas. Las Redes Neurales Convolucionales (CNN) tradicionales muestran limitaciones en el modelado de datos secuenciales de largo alcance, lo que afecta la eficiencia del ataque.
- La necesidad de modelos de aprendizaje profundo más efectivos en SCA es impulsada por el avance continuo de técnicas de ataque sofisticadas.
Objetivo del estudio:
- Proponer una nueva arquitectura de red neuronal profunda híbrida para mejorar el modelado de la información del canal lateral en las implementaciones del estándar de encriptación avanzada (AES).
- Mejorar la eficiencia y las capacidades de generalización de los ataques de canal lateral basados en aprendizaje profundo.
Principales métodos:
- Se desarrolló una red neuronal profunda híbrida que integra bloques de Mamba Residual y Perceptrones Multicapa (MLP).
- El módulo Mamba residual utiliza el modelado de espacio de estado para capturar dependencias de largo alcance y mejorar la percepción temporal global.
- El módulo MLP se empleó para una mayor fusión de características de alta dimensión.
Principales resultados:
- El modelo propuesto logró adivinar la entropía (GE) de rango 1 con menos de 100 rastros de ataque en el conjunto de datos ASCAD para AES.
- Los resultados experimentales demuestran un rendimiento superior en comparación con las CNN tradicionales y los modelos basados en Transformer.
- El modelo exhibió una rápida convergencia y una alta eficiencia de ataque.
Conclusiones:
- La red neuronal profunda híbrida desarrollada ofrece un nuevo paradigma eficaz para el aprendizaje profundo en el análisis de canales laterales.
- Los hallazgos tienen implicaciones teóricas y prácticas significativas para asegurar las implementaciones criptográficas contra ataques avanzados de canal lateral.
- La arquitectura propuesta mejora el modelado de la información secuencial, lo que lleva a un SCA más eficiente y generalizado.