.png){kind=icon}
返回
Improving Interpretability: Visual Analysis of Deep Learning-Based Multi-channel Attacks
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-94445-1_16.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
侧信道攻击对嵌入式密码设备构成严重的安全威胁。然而，大多数现有研究仅考虑利用单一信道泄漏的单信道攻击。尽管近期研究证实了通过结合多信道泄漏的非配置多信道攻击（MCAs）的有效性，但配置多信道攻击是否高效仍未知。本研究考察了基于深度学习的多信道攻击（DL-MCAs）的性能，同时考虑了更广泛的目标，包括未受保护和受保护的AES实现。通过将梯度加权类激活映射（Grad-CAM）应用于MCAs，我们为DL-MCAs的性能提供了可解释性。同时，我们还提出了一种基于Grad-CAM的新指标，可预测DL-MCAs在训练阶段的性能。此外，我们展示了两种特殊场景，DL-MCAs极有可能优于单信道攻击，并通过模拟迹线攻击进行了验证。最后，实验结果与所提指标的预测一致。
Keyword:
Deep Learning
Multi-Channel Attacks
Neural Networks
Side-Channel Attacks
Visualization Method
期刊
S
机构
引用论文
.png){kind=icon}
查看更多内容