[论文解读] 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 13

一句话总结

本文提出一种增强型卷积神经网络（CNN）用于侧信道攻击，通过集成卷积块注意力模块（CBAM）以提升对功耗痕迹中有信息量的泄漏点的关注。该方法在四个公开数据集上优于ASCAD网络，新提出的可视化技术——类别梯度可视化（CGV）通过突出显示模型对相关泄漏区域而非噪声的关注，解释了其性能优越的原因。

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.

研究动机与目标

• 通过集成优先关注功耗痕迹中有信息量的泄漏点的注意力机制，提升基于CNN的侧信道攻击性能。
• 解决传统CNN模型中无关痕迹点引入的噪声导致攻击准确率下降的问题。
• 开发一种可视化方法，解释输入痕迹点中哪些对模型预测贡献最大。
• 在多个AES实现上，将所提出的注意力网络与最先进的ASCAD网络进行对比。
• 验证注意力机制在掩码化和噪声环境下的有效性。

提出的方法

• 提出一种基于残差网络的CNN架构，通过引入卷积块注意力模块（CBAM）动态增强功耗痕迹中有信息量的区域。
• 将CBAM作为轻量级可学习模块集成，通过通道注意力与空间注意力联合应用，抑制无关痕迹点并降低噪声影响。
• 采用一种新型可视化技术——类别梯度可视化（CGV），通过基于梯度的显著性映射识别对模型预测影响最大的输入痕迹点。
• 在四个公开的侧信道数据集（DPAcontest v4、AES_RD、AES_HD和ASCAD）上端到端训练注意力网络。
• 以CPA分析作为基线，验证CGV突出显示区域与CPA分析中相关性的关联性，从而确认其合理性。
• 在所有数据集上对比所提注意力网络与ASCAD网络的攻击成功率及注意力模式。

实验结果

研究问题

• RQ1 将CBAM集成到CNN架构中，是否能提升在掩码化和噪声AES实现上的侧信道攻击性能？
• RQ2 所提模型中的注意力机制与ASCAD网络在聚焦泄漏点方面有何不同？
• RQ3 与传统方法相比，类别梯度可视化（CGV）在揭示模型对相关泄漏区域的关注程度方面有多大的有效性？
• RQ4 在如掩码化和随机延迟等防护措施下，注意力网络是否仍保持优越性能？
• RQ5 CGV能否解释注意力网络在密钥恢复准确率方面优于ASCAD网络的原因？

主要发现

• 在所有四个数据集上，包括掩码化和噪声环境下的实现，注意力网络的密钥恢复成功率均高于ASCAD网络。
• 在AES_HD中，由于噪声水平较高，注意力网络聚焦于正确的泄漏区域（第980–1000个采样点），性能显著优于ASCAD网络（其注意力集中在无关区域）。
• 在AES_RD中引入随机延迟时，注意力网络正确识别出泄漏区域（第3000–3500个采样点），而ASCAD网络则将注意力集中于非泄漏区域，导致其效果下降。
• 类别梯度可视化（CGV）证实，注意力网络聚焦于CPA分析中具有高相关性的区域，而ASCAD网络则同时学习了有信息量和噪声区域。
• 在带有掩码的ASCAD数据集中，注意力网络准确识别出三个关键泄漏区域（50–400、350–400、600），分别对应掩码和S盒输出的泄漏，而ASCAD网络的注意力则分散在整个痕迹上。
• 可视化结果表明，通过注意力机制抑制噪声可显著提升攻击性能，尤其在AES_HD等高噪声环境中效果更为明显。