.png){kind=icon}
返回
Advanced Side-Channel Evaluation Using Contextual Deep Learning-Based Leakage Modeling
.png){kind=icon}
PRE
AI
DOI：10.1145/3734219.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
侧信道攻击（SCAs）利用功耗分析提取秘密信息。研究人员已采用此技术通过分析功耗或电磁辐射来反汇编软件并提取加密密钥。他们利用硬件或基于汉明（Hamming）的波动测量来建立功耗泄漏的配置文件或模型。开发者采用功耗建模来理解软件泄漏，尽管手动对跨不同设备和架构的功耗轨迹进行配置文件分析需要时间和精力。本研究提出了一种定制的深度学习（DL）方法来建模功耗轨迹。该DL模型经过训练，可根据与其他指令的上下文关系分析每条汇编指令产生的泄漏。所提出的方法能够基于未见过的汇编指令预测功耗轨迹，R2值为0.9963。该方法自动化了设备泄漏测试，并捕捉上下文和非线性关系，以帮助开发者理解软件行为，显著减少了功耗建模所需的时间和精力。该DL模型对软件安全的影响在于能够有效降低SCAs风险，从而提升软件系统的整体安全性。
Keyword:
Side channel attacks
Reverse engineering
Deep learning
Disassemble
期刊
A
IF:
6.2
论文数:
1.2K
被引数:
3.4K
机构
引用论文
SCA-CGAN:A New Side-Channel Attack Method for Imbalanced Small SamplesSca-cgan：一种针对不平衡小样本的侧信道攻击新方法
.png){kind=icon}
PREAI
分享收藏
分享收藏A Deep-Learning Approach to Side-Channel Based CPU Disassembly at Design Time基于旁路通道的CPU反汇编的深度学习设计时方法
OAAI
OAAI分享收藏分享收藏
查看更多内容