.png){kind=icon}
.png){kind=icon}
返回
A deep learning based side-channel attack on BIKE
.png){kind=icon}
OA
AI
DOI：10.1186/s42400-026-00653-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
后量子密码实现日益受到侧信道威胁，使得实现级安全性评估成为算法分析的必要补充。BIKE是一种代表性的基于码的密钥封装机制，其最新规范采用了Black-Gray-Flip（BGF）译码器，该译码器在译码性能和实现规整性方面具有实用优势。然而，该译码方案的侧信道安全性在最新的BIKE参考实现中尚未得到充分研究。本研究中，我们探讨了这一问题，并提出了一种基于深度学习的侧信道攻击方法，用于从长BIKE译码迹中恢复与私钥相关的序列。首先，我们检查了最新BIKE参考实现中的BGF译码过程，并表明其重复的计数器计算和基于阈值的比特翻转决策会产生可利用的侧信道泄露。其次，我们将BIKE BGF译码泄露恢复转化为无对齐序列到序列任务，并使用基于连接主义时序分类（CTC）训练的卷积循环神经网络（CRNN）实例化该任务。这种表述方式能够直接从完整迹中恢复目标序列，而无需依赖人工定义的时间边界。最后，我们通过端到端恢复实验、消融分析和与代表性基线的比较，评估了所提出的表述方式。在评估的保护、同平台ARM Cortex-M4设置中，实验结果表明所提出的方法在独立测试集上实现了99.69%的比特准确率和95.68%的完美序列恢复。我们的目标是BIKE译码过程中生成的16位计数器比较结果序列；该序列是与私钥相关的中间值，而非完整私钥。完整私钥的恢复需要累积多次执行中的此类观测结果，并应用额外的后处理阶段。总体而言，这些结果表明无对齐序列恢复对于在评估设置中针对长、时序不稳定的迹进行BIKE侧信道分析是有效的。
Keyword:
Side-channel attack
Post-quantum cryptography
BIKE
Deep learning
Sequence translation
Connectionist temporal classification