[论文解读] EM-X-DL: Efficient Cross-Device Deep Learning Side-Channel Attack with Noisy EM Signatures

Josef Danial, Debayan Das+4 more|arXiv (Cornell University)|Nov 12, 2020

Cryptographic Implementations and Security参考文献 25被引用 4

一句话总结

本文提出 EM-X-DL，一种针对 AES-128 的跨设备深度学习电磁侧信道攻击方法，在信噪比（SNR）较低的噪声电磁（EM）信号上实现了超过 90% 的单次追踪准确率。通过结合智能训练设备选择、基于线性判别分析（LDA）的预处理以及追踪平均化，该方法可在极少追踪次数下，对未见过的设备实现高精度密钥恢复，即使在低 SNR 的严苛条件下亦表现优异。

ABSTRACT

This work presents a Cross-device Deep-Learning based Electromagnetic (EM-X-DL) side-channel analysis (SCA), achieving >90% single-trace attack accuracy on AES-128, even in the presence of significantly lower signal-to-noise ratio (SNR), compared to the previous works. With an intelligent selection of multiple training devices and proper choice of hyperparameters, the proposed 256-class deep neural network (DNN) can be trained efficiently utilizing pre-processing techniques like PCA, LDA, and FFT on the target encryption engine running on an 8-bit Atmel microcontroller. Finally, an efficient end-to-end SCA leakage detection and attack framework using EM-X-DL demonstrates high confidence of an attacker with <20 averaged EM traces.

研究动机与目标

• 为解决基于深度学习的电磁（EM）侧信道攻击在低 SNR 电磁信号上跨设备可移植性的挑战。
• 克服电磁侧信道信号相比功耗信号显著降低的信噪比（SNR），特别是由于设备间差异导致的衰减。
• 开发一种高效、端到端的框架，用于在极少追踪采集的情况下，对未见过的目标设备实现电磁泄漏检测与密钥恢复。
• 通过智能设备选择算法，最小化训练时间与所需训练设备数量。

提出的方法

• 该方法使用从多个训练设备收集的平均化电磁（EM）信号训练一个 256 类深度神经网络（DNN），以提升信噪比（SNR）。
• 应用主成分分析（PCA）、线性判别分析（LDA）、快速傅里叶变换（FFT）和频谱图等预处理技术，以降低数据维度并增强特征区分能力。
• 线性判别分析（LDA）被确定为最有效的预处理方法，在最小训练时间下实现最高平均跨设备准确率（约 91.5%）。
• 提出一种基于设备相似性的智能设备选择算法，与随机选择相比，可将所需设备数量减少 20–40%。
• 采用端到端的电磁扫描框架，通过在网格上对平均化追踪进行分类，定位新目标设备上泄漏最高的点，其置信度通过预测频率比衡量。
• 攻击框架利用训练好的 DNN，在未见过的设备上使用少于 20 次平均化 EM 迹线，以高置信度预测出密钥。

实验结果

研究问题

• RQ1 在一组设备上训练的深度学习模型，能否在低 SNR 条件下对另一组未见过的设备实现高准确率攻击？
• RQ2 在主成分分析（PCA）、线性判别分析（LDA）、快速傅里叶变换（FFT）和频谱图中，哪种预处理技术能在最小化训练时间的同时最大化跨设备攻击准确率？
• RQ3 与基于功耗的攻击相比，设备间差异对电磁侧信道攻击中 SNR 的影响如何？
• RQ4 智能设备选择算法能否在不降低攻击性能的前提下，减少所需训练设备的数量？
• RQ5 端到端的电磁扫描策略能否利用训练好的 DNN，以高置信度检测出新目标设备上最优测量位置？

主要发现

• 所提出的 EM-X-DL 攻击在使用 LDA 预处理时，实现了约 91.5% 的平均跨设备密钥预测准确率，显著优于其他方法。
• LDA 预处理在平均准确率（91.52%）和训练时间方面均表现最佳，是所测试技术中最高效的方法。
• 该方法仅需少于 20 次平均化 EM 迹线即可在未见过的设备上实现高置信度密钥恢复，展现出强大的单次追踪攻击能力。
• 基于与训练集最大差异性的设备选择策略，相比选择相似或随机设备，能进一步提升跨设备准确率。
• 端到端的电磁扫描框架成功识别出新芯片上泄漏最高的区域，且在左上象限中以高置信度恢复出正确密钥。
• 当包含多个设备时，EM 迹线的 SNR 从功耗信号的 19.6 dB 急剧下降至 3.1 dB，凸显了设备间差异在电磁侧信道攻击中的关键挑战。