[论文解读] 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 11

一句话总结

本文提出使用条件生成对抗网络（CGAN）来增强侧信道攻击中数据不足的性能追踪，显著提升攻击效果。通过生成真实、带标签的追踪数据以捕捉泄漏特征，CGAN使得在增强数据集上训练的模型可将所需攻击追踪数量减少50%以上，即使在数据量极少的情况下，对多种建模算法也表现出优异性能。

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.

研究动机与目标

• 解决实际侧信道攻击中因资源和时间限制导致的性能追踪数据不足问题。
• 在仅有少量真实追踪数据可用的情况下，提升侧信道攻击建模的效率与成功率。
• 证明CGAN生成的追踪数据可有效增强真实性能追踪数据集，从而提升模型性能。
• 验证该方法在不同用于侧信道攻击的机器学习与深度学习模型中的通用性。
• 探索CGAN学习并生成包含一阶与高阶泄漏特征的追踪数据的能力，包括不同步的追踪数据。

提出的方法

• 应用条件生成对抗网络（CGAN）生成带指定标签（如密钥位）的合成侧信道追踪数据，实现建模数据增强。
• 使用CPA或DPA验证生成的追踪数据是否保留了有意义的泄漏特征，再进行模型训练。
• 将生成的追踪数据以均衡数量加入原始性能追踪数据集中，以提升模型泛化能力并减少过拟合。
• 在增强后的数据集上训练多种性能模型（MLP、SVM、RF、CNN），以评估性能提升效果。
• 通过在多样化泄漏模式上训练CGAN，确保生成的追踪数据能反映一阶与高阶泄漏特征。
• 将该方法应用于未保护与受保护的密码实现，以测试其鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 CGAN能否有效生成保留真实实现中关键泄漏特征的合成侧信道追踪数据？
• RQ2 使用CGAN生成的追踪数据进行数据增强后，能将成功建模攻击所需的原始追踪数量减少多少？
• RQ3 所提出的方法是否能在SVM、RF、MLP与CNN等不同建模算法上均提升攻击性能？
• RQ4 当原始追踪数据存在不同步或缺乏对齐时，CGAN是否仍能生成有效追踪数据？
• RQ5 在数据量极少的情况下，基于CGAN增强数据集训练的模型性能与仅使用真实数据训练的模型相比如何？

主要发现

• 在ASCAD数据集中，使用CGAN生成10,000个合成追踪数据后，成功攻击所需的原始追踪数量从20,000减少至1,369，降幅超过50%。
• 在CW数据集中，当使用100个原始追踪数据并增强400个生成追踪数据后，所需追踪数量从2,500降至316。
• 该方法在所有测试模型（SVM、RF、MLP、CNN）上均提升了攻击性能，证明其在不同学习算法间的通用性。
• 即使原始追踪数据未对齐，CGAN仍成功学习并生成包含一阶与高阶泄漏特征的追踪数据。
• 使用生成追踪数据的攻击性能优于添加高斯噪声等其他数据增强技术，证实CGAN生成数据的高质量。
• 当性能追踪集极小时（如仅100个原始追踪数据），该方法依然有效，显示出在真实场景中部署的强大潜力。