Scoop：针对高阶掩码侧信道分析的开创性优化算法
摘要
本文通过理论与实验证明，基于梯度的深度学习侧信道分析（DL-SCA）在应对掩码方案时存在显著局限性，具体表现为学习过程的初始停滞现象——平台效应。为探究根源，我们推导出针对模拟轨迹的DL-SCA模型解析表达式，借此研究损失函数的数学特性。通过分析该模型的损失景观，我们发现不仅梯度幅值随掩码阶数增加而衰减，损失景观中存在的显著鞍点也会干扰优化过程。
基于这些发现，我们提出两项核心创新：
- 采用二阶优化算法缓解低梯度区域的影响
- 利用侧信道轨迹中有价值信息的固有稀疏性，通过稀疏镜像下降的隐式正则化特性重构DL-SCA问题
这些创新被整合为名为Scoop的公开优化算法，其结合了损失函数的二阶导数优化与稀疏随机镜像下降法。实验表明：
- 在模拟轨迹上，Scoop突破了当前DL-SCA的技术局限
- 在ASCADv1数据集上，在密钥恢复所需轨迹数、感知信息量和平台长度等指标均超越现有最优技术
- 首次在ASCADv2数据集上实现非最坏情况攻击
- 使用Scoop可使DL-SCA的时间复杂度降低相当于一个掩码阶数
关键词
侧信道分析、剖析攻击、深度学习、掩码技术、优化算法
技术贡献
本研究通过数学建模揭示了高阶掩码对深度学习侧信道分析的抑制作用机制，并提出具有实践价值的优化解决方案。Scoop算法通过二阶优化和稀疏性利用的双重创新，为侧信道分析领域提供了新的技术范式。
本文发表于IACR Transactions on Cryptographic Hardware and Embedded Systems 2025年第3期 版权声明：本文采用Creative Commons Attribution 4.0国际许可协议