混合基因算法和深度学习技术用于高级侧通道攻击
Faisal Hameed1,2, Hoda Alkhzaimi3,4
1Tandon School of Engineering, New York University, New York, USA. fah276@nyu.edu.
Scientific reports
|July 16, 2025
概括
本研究介绍了一种基因算法 (GA),用于优化侧通道分析中的深度学习模型. 该GA框架有效地增强了超参数调整,在AES实现中实现了100%的密钥恢复精度.
科学领域:
- 密码学 密码学 密码学 密码学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 深度学习已经推进了侧通道分析 (SCA).
- 超参数优化对于SCA中有效的神经网络训练至关重要.
- 像网格搜索和贝叶斯优化等传统方法在复杂的搜索空间中有局限性.
研究的目的:
- 在基于深度学习的SCA中引入基因算法 (GA) 框架,以实现高效的超参数优化.
- 为了克服网格搜索的可扩展性问题和贝叶斯优化的高维度挑战.
- 系统地确定最佳的神经网络配置,以提高SCA模型的性能.
主要方法:
- 开发用于超参数搜索的遗传算法 (GA) 框架.
- 利用进化策略来导航不可差异的多式联运优化场景.
- 对保护高级加密标准 (AES) 实现的GA框架的评估.
主要成果:
- 基于GA的方法在受保护的AES实现上实现了100%的关键恢复精度.
- 该GA显著超过随机搜索基线 (准确率70%).
- 与贝叶斯优化,强化学习和树结构的Parzen估计器相比,GA在25%的测试案例中实现了最高性能,并排名第二.
结论:
- 遗传算法是优化SCA模型的一个强大的替代方案.
- 在不同的攻击场景中,GA框架提供了可扩展性和一致的性能.
- 这项研究通过改进的SCA技术推进了对加密安全性的评估.
