基于剩余Mamba增强的CNN的高效AES侧通道攻击
Zhaobin Li1, Chenchong Du1, Xiaoyi Duan1
1Beijing Electronic Science and Technology Institute, Beijing 100070, China.
Entropy (Basel, Switzerland)
|August 28, 2025
概括
本研究引入了一种新型深度学习模型,以提高AES实施的侧通道攻击 (SCA) 的效率. 混合架构显著优于现有方法,使用最小的数据实现顶级攻击.
科学领域:
- 密码学和安全工程
- 人工智能和机器学习
- 计算机架构和嵌入式系统
背景情况:
- 由于其先进的特征提取,深度学习方法对侧通道攻击 (SCA) 越来越重要. 传统的卷积神经网络 (CNN) 在建模远程序列数据方面存在局限性,影响攻击效率.
- 在SCA中需要更有效的深度学习模型是由于复杂的攻击技术的不断进步.
研究的目的:
- 提出一种新的混合深度神经网络架构,用于在高级加密标准 (AES) 实现中改进侧通道信息的建模.
- 增强基于深度学习的侧通道攻击的效率和概括能力.
主要方法:
- 开发了一个混合深度神经网络,集成了剩余的Mamba块和多层感知器 (MLP).
- 剩余Mamba模块使用状态空间建模来捕获远程依赖性并改善全球时间感知.
- MLP模块用于进一步融合高维特征.
主要成果:
- 在AES的ASCAD数据集中,拟议的模型以不到100个攻击痕迹实现了猜测 (GE) 排名1.
- 与传统的CNN和基于变压器的模型相比,实验结果显示出更高的性能.
- 模型表现出快速的融合和高的攻击效率.
结论:
- 开发的混合深度神经网络为侧通道分析中的深度学习提供了有效的新范式.
- 这些发现对保护加密实现免受先进的侧通道攻击具有重要的理论和实践意义.
- 拟议的架构增强了序列信息的建模,导致更高效和更普遍的SCA.