AutoProfile: Perfilado automatizado en el análisis de canales laterales basado en aprendizaje profundo

Área de la Ciencia:

• Criptografía y seguridad de la información
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• El análisis de canal lateral (SCA) explota la información filtrada para la extracción de datos de los sistemas criptográficos.
• El aprendizaje profundo (DL) es prometedor para SCA, pero la construcción de redes sigue siendo un reto.

Objetivo del estudio:

• Introducir AutoProfile, una nueva metodología para mejorar los ataques de perfiles basados en DL en sistemas criptográficos.
• Mejorar la eficacia de SCA mediante la optimización de la selección de la red DL para los ataques de perfiles.

Principales métodos:

• AutoProfile personaliza la estrategia de modelado y la función de adquisición dentro de la optimización bayesiana para SCA.
• La metodología se evaluó utilizando conjuntos de datos disponibles públicamente con mediciones reales del canal lateral.
• El rendimiento se comparó con métodos de última generación en objetivos criptográficos robustos.

Principales resultados:

• AutoProfile logró una mejora de rendimiento promedio del 78,4% con respecto a los métodos de última generación existentes.
• Para objetivos con enmascaramiento, retraso aleatorio y contramedidas de variación clave, AutoProfile redujo drásticamente las huellas requeridas de miles a docenas.
• AutoProfile demostró una identificación más rápida de las redes de DL efectivas en comparación con los métodos de referencia en todos los conjuntos de datos de SCA probados.

Conclusiones:

• AutoProfile mejora significativamente la eficiencia y la eficacia del SCA basado en DL.
• El método ofrece una ventaja sustancial para romper sistemas criptográficos robustos con requisitos mínimos de datos.
• AutoProfile proporciona un enfoque más rápido para seleccionar redes DL óptimas para ataques de perfiles de canal lateral.