Scoop：针对高阶掩码侧信道分析攻击的优化算法

摘要

本文提供了新的理论和实验证据，表明基于梯度的深度学习侧信道分析攻击（DL-SCA）在掩码方案中存在性能瓶颈。这表现为学习过程的初始停滞现象，即所谓的"平台效应"。为探究原因，我们推导了针对模拟迹线的DL-SCA模型解析表达式，从而能够研究损失的解析表达。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减小，而且损失景观还存在显著干扰优化过程的鞍点。

基于这些观察，我们（1）提出使用二阶优化算法来减轻低梯度区域的影响。此外，我们展示了如何利用SCA迹线中有价值信息的固有稀疏性来更好地构建DL-SCA问题。为此，我们（2）建议使用稀疏镜像下降的隐式正则化特性。这些提议被整合到一个新的公开可用的优化算法Scoop中。

Scoop在优化过程中结合了损失函数的二阶导数与稀疏随机镜像下降。我们通过实验证明，Scoop突破了DL-SCA在模拟迹线上的当前限制，在ASCADv1数据集上在所需密钥恢复迹线数量、感知信息和平台长度方面优于现有技术。Scoop还首次在ASCADv2数据集上实现了非最坏情况攻击。在模拟迹线上，我们显示使用Scoop可将DL-SCA的时间复杂度降低相当于一个掩码阶数。

作者信息

• Nathan Rousselot：法国泰雷兹公司；法国蒙彼利埃大学LIRMM实验室，CNRS
• Karine Heydemann：法国泰雷兹公司
• Loïc Masure：法国蒙彼利埃大学LIRMM实验室，CNRS
• Vincent Migairou：法国泰雷兹公司

关键词

侧信道分析、剖析攻击、深度学习、掩码、优化

技术细节

DOI: https://doi.org/10.46586/tches.v2025.i3.56-80
发表时间: 2025年6月5日
卷期: Vol. 2025 No. 3
许可协议: 知识共享署名4.0国际许可协议