[論文レビュー] Enhancing the Performance of Practical Profiling Side-Channel Attacks Using Conditional Generative Adversarial Networks

Ping Wang, Ping Chen+5 more|arXiv (Cornell University)|Jul 10, 2020

Adversarial Robustness in Machine Learning被引用数 11

ひとこと要約

本論文では、サイドチャネル攻撃における不十分なプロファイリングトレースを補完するために、条件付き生成対抗ネットワーク（CGAN）の使用を提案している。CGANにより、漏洩特性を捉えたリアルなラベル付きトレースを生成することで、訓練に使われるデータセットを拡張したモデルが、攻撃に必要なトレース数を50%以上削減でき、低データ環境下でも多様なモデリングアルゴリズムにおいて性能が向上する。

ABSTRACT

Recently, many profiling side-channel attacks based on Machine Learning and Deep Learning have been proposed. Most of them focus on reducing the number of traces required for successful attacks by optimizing the modeling algorithms. In previous work, relatively sufficient traces need to be used for training a model. However, in the practical profiling phase, it is difficult or impossible to collect sufficient traces due to the constraint of various resources. In this case, the performance of profiling attacks is inefficient even if proper modeling algorithms are used. In this paper, the main problem we consider is how to conduct more efficient profiling attacks when sufficient profiling traces cannot be obtained. To deal with this problem, we first introduce the Conditional Generative Adversarial Network (CGAN) in the context of side-channel attacks. We show that CGAN can generate new traces to enlarge the size of the profiling set, which improves the performance of profiling attacks. For both unprotected and protected cryptographic algorithms, we find that CGAN can effectively learn the leakage of traces collected in their implementations. We also apply it to different modeling algorithms. In our experiments, the model constructed with the augmented profiling set can reduce the required attack traces by more than half, which means the generated traces can provide useful information as the real traces.

研究の動機と目的

• リソースと時間の制約によりデータ収集が制限される実用的サイドチャネル攻撃において、不十分なプロファイリングトレースの課題に対処すること。
• 実際のトレースが少数しかない状況でも、プロファイリングサイドチャネル攻撃の効率性と成功確率を向上させること。
• CGANで生成されたトレースが、実際のプロファイリングデータセットを効果的に拡張し、モデル性能を向上させることを実証すること。
• 異なる機械学習およびディープラーニングモデルを用いたサイドチャネル攻撃において、本手法の普遍性を検証すること。
• CGANが、第一順位および高次漏洩を含む、非同期なトレースを含め、両方の漏洩特性を学習して生成できる能力を調査すること。

提案手法

• 条件付きGAN（CGAN）を適用し、特定のラベル（例：秘密鍵ビット）を指定した合成サイドチャネルトレースを生成することで、プロファイリングのためのデータ拡張を実現する。
• 生成されたトレースが意味のある漏洩特性を捉えているかを確認するために、CPAまたはDPAを用いて検証する。
• 生成されたトレースをバランスよく追加することで、元のプロファイリングデータセットを拡張し、一般化性能を向上させ、過学習を低減する。
• 拡張されたデータセット上で、多様なプロファイリングモデル（MLP、SVM、RF、CNN）を訓練し、性能向上を評価する。
• 多様な漏洩パターンを学習させることで、CGANが第一順位および高次漏洩の両方を反映したトレースを生成できることを保証する。
• 本手法を保護されていないおよび保護された暗号実装の両方に対して適用し、耐性および一般化性能をテストする。

実験結果

リサーチクエスチョン

• RQ1 CGANは、実装から得た意味のある漏洩特性を保持した合成サイドチャネルトレースを効果的に生成できるか？
• RQ2 CGANで生成されたトレースを用いたデータ拡張によって、成功するプロファイリング攻撃に必要な実トレース数はどの程度削減できるか？
• RQ3 本手法は、SVM、RF、MLP、CNNなどの異なるモデリングアルゴリズムにおいて、攻撃性能の向上をもたらすか？
• RQ4 元のトレースが非同期である場合や整列していない場合でも、CGANは有用なトレースを生成できるか？
• RQ5 低データ環境下において、CGANで拡張されたデータセットで訓練されたモデルの性能は、純粋に実トレースのみで訓練されたモデルと比べてどうなるか？

主な発見

• ASCADデータセットでは、CGANで10,000件の合成トレースを生成することで、攻撃に必要な実トレース数を20,000から1,369に50%以上削減できた。
• CWデータセットでは、100件の元のトレースに400件の生成トレースを追加することで、必要なトレース数を2,500から316に削減できた。
• SVM、RF、MLP、CNNのすべてのテストモデルにおいて、攻撃性能が向上した。これは、異なる学習アルゴリズムにおいて本手法が普遍的であることを示している。
• CGANは、元のトレースが同期されていなくても、第一順位および高次漏洩の両方の漏洩特性を学習して効果的にトレースを生成できた。
• 他のデータ拡張技術（例：ガウスノイズの追加）よりも、CGANで生成されたトレースを用いた攻撃性能が優れており、生成データの質の高さを裏付けている。
• プロファイリングデータセットが極めて小さい場合（例：100件の元のトレースのみ）でも本手法は有効であり、実世界への展開に大きな可能性を示している。