.png){kind=icon}
返回
LeakDiT: Diffusion Transformers for Trace-Augmented Side-Channel Analysis
.png){kind=icon}
PRE
AI
DOI：10.1109/LCA.2025.3639372.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习已被广泛应用于侧信道分析（SCA），使得轨迹数据不足和类别不平衡成为关键挑战。尽管已有研究探索了使用生成模型进行轨迹增强，但仍存在两个核心局限性：（i）SCA领域知识未能充分整合到模型中；（ii）未能广泛采用先进的扩散变换器（DiT）。本文提出LeakDiT，一种领域特定的1D DiT，用于生成高质量轨迹。LeakDiT引入了基于归一化类间方差（NICV）的损失函数，以生成保留泄露结构的真实轨迹。实验结果表明，LeakDiT提升了SCA性能，并减少了恢复密钥所需的轨迹数量。
Keyword:
Training
Transformers
Germanium
Diffusion models
S Box
Electromagnetics
Schedules
Oscilloscopes
Noise reduction
Jitter
Side-channel analysis
data augmentation
deep learning
diffusion transformers
期刊
I
IF:
1.4
论文数:
42
被引数:
781
机构
引用论文
.png){kind=icon}
没有更多内容
没有更多内容