[論文レビュー] An Enhanced Convolutional Neural Network in Side-Channel Attacks and Its Visualization

Minhui Jin, Mengce Zheng+2 more|arXiv (Cornell University)|Sep 18, 2020

Cryptographic Implementations and Security参考文献 35被引用数 13

ひとこと要約

本稿では、電力トレース内の情報量の多い漏洩ポイントに注目を向けるために、畳み込みブロック注意モジュール（CBAM）を統合した強化された畳み込みニューラルネットワーク（CNN）を提案する。この手法は、4つの公開データセットにおいてASCADネットワークを上回る性能を発揮し、モデルの優れた性能を説明するための新しい可視化技術、クラス勾配可視化（CGV）を用いる。CGVは、ノイズに対して関連のある漏洩領域に注目していることを強調する。

ABSTRACT

In recent years, the convolutional neural networks (CNNs) have received a lot of interest in the side-channel community. The previous work has shown that CNNs have the potential of breaking the cryptographic algorithm protected with masking or desynchronization. Before, several CNN models have been exploited, reaching the same or even better level of performance compared to the traditional side-channel attack (SCA). In this paper, we investigate the architecture of Residual Network and build a new CNN model called attention network. To enhance the power of the attention network, we introduce an attention mechanism - Convolutional Block Attention Module (CBAM) and incorporate CBAM into the CNN architecture. CBAM points out the informative points of the input traces and makes the attention network focus on the relevant leakages of the measurements. It is able to improve the performance of the CNNs. Because the irrelevant points will introduce the extra noises and cause a worse performance of attacks. We compare our attention network with the one designed for the masking AES implementation called ASCAD network in this paper. We show that the attention network has a better performance than the ASCAD network. Finally, a new visualization method, named Class Gradient Visualization (CGV) is proposed to recognize which points of the input traces have a positive influence on the predicted result of the neural networks. In another aspect, it can explain why the attention network is superior to the ASCAD network. We validate the attention network through extensive experiments on four public datasets and demonstrate that the attention network is efficient in different AES implementations.

研究の動機と目的

• 電力トレース内の情報量の多い漏洩ポイントに注目する注目メカニズムを統合することで、CNNベースのサイドチャネル攻撃の性能を向上させること。
• 従来のCNNモデルで精度を低下させる、関係のないトレースポイントからのノイズの問題に対処すること。
• モデルの予測に最も寄与する入力トレースポイントを特定する可視化手法を開発すること。
• 複数のAES実装において、提案された注目ネットワークと最先端のASCADネットワークを比較すること。
• マスク処理やノイズがかかるサイドチャネル環境下でも注目メカニズムの有効性を検証すること。

提案手法

• 畳み込みブロック注意モジュール（CBAM）を統合した残差ネットワークベースのCNNアーキテクチャを提案し、電力トレース内の情報量の多い領域を動的に強調する。
• CBAMを軽量で学習可能なモジュールとして統合し、チャネルおよび空間的注目を適用することで、関係のないトレースポイントを抑制し、ノイズの影響を低減する。
• 勾配ベースのサリエンシー写像を用いて、モデルの予測に最も影響を与える入力トレースポイントを特定する、新しい可視化手法「クラス勾配可視化（CGV）」を採用する。
• DPAcontest v4、AES_RD、AES_HD、ASCADの4つの公開サイドチャネルデータセット上で、注目ネットワークをエンドツーエンドで学習する。
• CGVが強調する領域の妥当性を検証するため、CPA解析をベースラインとして用いる。
• すべてのデータセットにおいて、提案された注目ネットワークとASCADネットワークの攻撃成功率および注目パターンを比較する。

実験結果

リサーチクエスチョン

• RQ1 CBAMをCNNアーキテクチャに統合することで、マスク処理やノイズがかかるAES実装においても、サイドチャネル攻撃の性能が向上するか？
• RQ2 提案モデルの注目メカニズムは、ASCADネットワークのそれと比較して、漏洩ポイントにどのように注目しているか？
• RQ3 クラス勾配可視化（CGV）手法は、従来の手法と比較して、モデルが関連のある漏洩領域に注目している程度をどれほど明確に明らかにできるか？
• RQ4 マスキングやランダム遅延といった対策が施された環境下でも、注目ネットワークは優れた性能を維持できるか？
• RQ5 CGVは、注目ネットワークがなぜASCADネットワークよりも鍵回復精度で優れているかを説明できるか？

主な発見

• 提案された注目ネットワークは、4つのすべてのデータセットにおいてASCADネットワークを上回る鍵回復成功率を達成しており、マスク処理やノイズがかかる実装でも同様に有効である。
• ノイズが著しく高いAES_HDでは、注目ネットワークが正しい漏洩領域（980–1000サンプル）に注目することで、ASCADが関係のない領域に注目するため、著しく優れた性能を発揮する。
• ランダム遅延がかかるAES_RDでは、注目ネットワークが漏洩領域（3000–3500）を正しく特定するが、ASCADネットワークは非漏洩領域に注目するため、その有効性が低下する。
• クラス勾配可視化（CGV）は、注目ネットワークがCPA解析で高い相関を示す領域に注目していることを確認している。一方、ASCADは情報量の多い領域とノイズの両方を学習している。
• マスキングが施されたASCADデータセットでは、注目ネットワークはマスクとSボックス出力の漏洩に対応する3つの主要な漏洩領域（50–400、350–400、600）に注目するが、ASCADはトレース全体にわたり注目を分散させる。
• 可視化結果から、ノイズを注目メカニズムで抑制することで攻撃性能が向上し、特にAES_HDのような高ノイズ環境下で顕著であることが示された。