비프로파일링 기반 전력 분석의 성능 향상을 위한 오토인코더 기반 잡음 제거 기술
Improving Non-Profiled Side-Channel Analysis Using Auto-Encoder Based Noise Reduction Preprocessing
0
조회
0
다운로드
6
인용
0
참고문헌
키워드
초록
최근 보안 디바이스의 물리적 취약성을 찾을 수 있는 부채널 분석 분야에서 딥러닝을 활용한 연구가 활발히진행되고 있다. 하지만, 최신 딥러닝 기반 부채널 분석 기술 연구는 템플릿 공격 등과 같은 프로파일링 기반부채널 분석 환경에서 파형을 옳게 분류하기 위한 연구에 집중되어 있다. 본 논문에서는 이전 연구들과 다르게 딥러닝을 신호 전처리 기법으로 활용하여 차분 전력 분석, 상관 전력 분석 등과 같은 논프로파일링 기반부채널 분석의 성능을 고도화할 수 있는 방법을 제안한다. 제안기법은 오토인코더를 부채널 분석 환경에 적합하게 변경하여 부채널 정보의 노이즈를 제거하는 전처리 기법으로, 기존 노이즈 제거 오토인코더는 임의로 추가한 노이즈에 대한 학습을 하였다면 제안하는 기법은 노이즈가 제거된 라벨을 사용하여 실제 데이터의 노이즈를 학습한다. 제안기법은 논프로파일링 환경에서 수행 가능한 전처리 기법이며 하나의 뉴런 네트워크의 학습만을 통해 수행할 수 있다. 본 논문에서는 실험을 통해 제안기법의 노이즈 제거 성능을 입증하였으며, 주성분분석 및 선형판별분석과 같은 기존 전처리 기법들과 비교하여 우수하다는 것을 보인다.'
Abstract
In side-channel analysis, which exploit physical leakage from a cryptographic device, deep learning based attack has beensignificantly interested in recent years. However, most of the state-of-the-art methods have been focused on classifyingside-channel information in a profiled scenario where attackers can obtain label of training data. In this paper, we propose anew method based on deep learning to improve non-profiling side-channel attack such as Differential Power Analysis andCorrelation Power Analysis. The proposed method is a signal preprocessing technique that reduces the noise in a trace bymodifying Auto-Encoder framework to the context of side-channel analysis. Previous work on Denoising Auto-Encoder wastrained through randomly added noise by an attacker. In this paper, the proposed model trains Auto-Encoder through thenoise from real data using the noise-reduced-label. Also, the proposed method permits to perform non-profiled attack bytraining only a single neural network. We validate the performance of the noise reduction of the proposed method on realtraces collected from ChipWhisperer board. We demonstrate that the proposed method outperforms classic preprocessingmethods such as Principal Component Analysis and Linear Discriminant Analysis.
참고문헌 (16)
- S. Chari, "Template Attacks", Cryptographic Ha rdware and Embedded Systems-CHES 2002, LNCS 2523, pp.13~28 (2002)
- W. Schindler, "A stochastic model for differenti al side channel cryptanalysis", Crypto graphic Hardware and Embedded Syst ems-CHES 2005, LNCS 3659, pp.30~46 (2005)
- P. Kocher, "Diffe rential power analysis", Advances in Cryptology, CRYPTO ‘99, LNCS 1666, pp.388~397 (1999)
- E. Brier, "Correlation power analysis with a lea kage model", Cryptographic Hardware and Embedded Systems-CHES 2004, L NCS 3156, pp.16~29 (2004)
- S. Yang, "Back Propagation Neural N etwork Based Leakage Characterizatio n for Practical Security Analysis of Cr yptographic Implementations", Interna tional Conference on Information Secu rity and Cryptology-ICISC 2011, LNC S 7259, pp.169~185 (2011)
- H. Maghrebi, "Breaking cryptographic im plementations using deep learning tec hniques", International Conference on Security, Privacy, and Applied Crypto graphy Engineering-SPACE 2016, LN CS 10076, pp.3~26 (2016)
- E. Cagli, "Convolutional Neural Networks with Data Augmentation Against Jitter-Ba sed Countermeasures", Cryptographic Hardware and Embedded Systems-CH ES 2017, LNCS 10529, pp.45~68 (2017)
- B. Timon, "Non-Profiled Deep Learnin g-based Side-Channel attacks with Se nsitivity Analysis", IACR Transactions on Cryptographic Hardware and Embe dded Systems-TCHES ‘19, 2019(2), pp.107~131 (2019)
- E. Prouff, "Statistical Analysis of Second Order Differential Power Analysis", IEEE Tr ansactions on computers, 58(6), pp.799~811 (2009)
- I. Goodfellow, "Deep Learning: Adaptive Co mputation and Machine Learning seri es" (2016), MIT Press
- K. Hornik, "Approximation capabilities of multilayer feedforward networks", Neural Networks, 4, pp.251~257 (1990)
- P. Vincent, "Extracting and composing robust features with d enoising autoencoders", Proceedings of the 25th international conference on Machine learning-ICML‘08, pp.1096~1103 (2008)
- M. Abadi, "TensorFlow: Large-sc ale machine learning on heterogeneou s systems", 12th USENIX Symposium on Operating Systems Design and Im plementation-OSDI‘16, pp.265~283 (2016)
- "Keras: The Python Deep Learning lib rary, “Keras,”" (2015)[URL]
- S. Mangard, "Power Analysis Attacks: Revealin g the Secrets of Smart Cards" (2007), Springer US
- K. He, "Delving Deep into Rectifiers : Surpassing Human-Level Performance on ImageNet Classification", Proceedin gs of the 2015 IEEE International Co nference on Computer Vision-ICCV‘15, pp.1026~1034 (2015)