基于设备信息密度的密码设备侧信道分析方法及装置
本发明涉及硬件安全与密码设备测试,具体涉及一种基于设备信息密度的密码设备侧信道分析方法及装置。
背景技术:
1、侧信道分析(side-channel analysis, sca)是一种通过采集密码设备运行时的物理泄漏信息来恢复其内部秘密密钥的技术。近年来,深度学习技术已被成功引入sca领域。然而,基于深度学习的侧信道分析(deep learning-based side-channel analysis,dl-sca)在实际应用中面临可移植性问题。所谓可移植性,是指当源设备与目标设备之间存在因芯片差异、采集设置及算法实现等外部因素导致的分布差异时,dl-sca的攻击性能会急剧下降,甚至完全失效。
2、现有解决可移植性问题的方案主要包括多设备建模和域适应。多设备建模需要访问多个建模设备,实际安全评估场景中难以满足;域适应通过在目标设备无标签数据上微调,利用分布对齐损失改善攻击效果,但其调整过程是全局性、黑盒的,无法解释模型内部哪些层发生了改变,也无法提供层级别的诊断信息。在神经网络层分析方面,现有信息论层分析方法需要为每一隐藏层单独训练辅助分类器,计算量大、耗时长,且以解释模型行为为目的,无法直接指导层优化,还需要掩码等额外标签信息,限制了实际适用范围。此外,现有方法仅计算各层编码的绝对信息量,无法判断哪一层的设备信息相对占比最高、对跨设备泛化危害最大。
技术实现思路
1、(一)要解决的技术问题
2、鉴于上述问题,本发明提供了一种基于设备信息密度的密码设备侧信道分析方法及装置,以至少部分解决现有跨设备侧信道分析中模型泛化能力不足、层级别诊断缺失、计算效率低下以及依赖额外标签信息等技术问题。
3、(二)技术方案
4、本发明第一方面提供了一种基于设备信息密度的密码设备侧信道分析方法,包括:获取源密码设备和目标密码设备运行时的物理泄漏轨迹,物理泄漏轨迹包括功耗轨迹和/或电磁辐射轨迹;将物理泄漏轨迹输入预先训练的侧信道分析神经网络,进行前向传播,提取侧信道分析神经网络各隐藏层的激活值矩阵;基于各隐藏层的激活值矩阵,确定各隐藏层所编码的设备信息的度量值和密钥信息的度量值,其中,设备信息用于表征物理泄漏轨迹中与密码设备的硬件差异相关的信息,密钥信息用于表征物理泄漏轨迹中与密码算法运算相关的信息;基于各隐藏层的设备信息的度量值和密钥信息的度量值,确定各隐藏层的设备信息密度;根据各隐藏层的设备信息密度,确定待优化层,并对待优化层进行层调整,得到目标侧信道分析神经网络;利用目标侧信道分析神经网络对目标密码设备进行密钥恢复攻击,得到目标密码设备的密钥恢复分析结果。
5、根据本发明的实施例,基于各隐藏层的激活值矩阵,确定各隐藏层所编码的设备信息的度量值和密钥信息的度量值,包括:基于各隐藏层的激活值矩阵,分别计算各隐藏层中的各神经元的激活值与设备标签之间的互信息,以及各神经元的激活值与密钥标签之间的互信息;其中,设备标签用于标识物理泄漏轨迹所来源的密码设备,密钥标签用于表征密码算法中间值的汉明重量;针对每一隐藏层,将该隐藏层中所有神经元的与设备标签的互信息进行聚合,得到该隐藏层的设备信息的度量值;针对每一隐藏层,将该隐藏层中所有神经元的与密钥标签的互信息进行聚合,得到该隐藏层的密钥信息的度量值。
6、根据本发明的实施例,基于各隐藏层的设备信息的度量值和密钥信息的度量值,确定各隐藏层的设备信息密度,包括:计算各隐藏层的设备信息的度量值与密钥信息的度量值之间的相对占比关系,作为各隐藏层的设备信息密度。
7、根据本发明的实施例,方法还包括:当密钥信息的度量值小于或等于预设值时,采用预设常数对密钥信息的度量值进行修正,以使设备信息密度保持有限值。
8、根据本发明的实施例,根据各隐藏层的设备信息密度,确定待优化层,包括:将各隐藏层的设备信息密度进行排序,得到排序序列;基于排序序列,从各隐藏层中确定待优化层。
9、根据本发明的实施例,对待优化层进行层调整,得到目标侧信道分析神经网络,包括以下至少一种:将待优化层中的部分神经元的输出置零,并在源密码设备的物理泄漏轨迹上对置零后的侧信道分析神经网络进行调整,得到目标侧信道分析神经网络;固定待优化层的参数,利用源密码设备的物理泄漏轨迹更新侧信道分析神经网络中除待优化层外的其他层的参数,得到目标侧信道分析神经网络;在侧信道分析神经网络的训练损失中增加正则项,并利用物理泄漏轨迹进行训练,以降低待优化层的设备信息密度,得到目标侧信道分析神经网络。
10、根据本发明的实施例,利用目标侧信道分析神经网络对目标密码设备进行密钥恢复攻击,得到目标密码设备的密钥恢复分析结果,包括:将目标密码设备的物理泄漏轨迹作为攻击轨迹输入目标侧信道分析神经网络,得到目标密码设备的密码算法中各候选密钥对应的预测得分,预测得分根据目标侧信道分析神经网络输出的各汉明重量类别的预测概率确定;根据预测得分对各候选密钥进行排序,将排序结果作为密钥恢复分析结果。
11、根据本发明的实施例,设备标签为二分类标签,密钥标签为根据密码算法中间值的汉明重量生成的多分类标签。
12、根据本发明的实施例,在将物理泄漏轨迹输入预先训练的侧信道分析神经网络之前,还包括:获取通过不同训练策略得到的多个候选侧信道分析神经网络;分别计算各候选侧信道分析神经网络各隐藏层的设备信息密度,得到各候选侧信道分析神经网络的设备信息密度分布;基于各候选侧信道分析神经网络的设备信息密度分布,从各候选侧信道分析神经网络中确定预先训练的侧信道分析神经网络。
13、本发明第二方面提供了一种基于设备信息密度的密码设备侧信道分析装置,包括:获取模块,用于获取源密码设备和目标密码设备运行时的物理泄漏轨迹,物理泄漏轨迹包括功耗轨迹和/或电磁辐射轨迹;提取模块,用于将物理泄漏轨迹输入预先训练的侧信道分析神经网络,进行前向传播,提取侧信道分析神经网络各隐藏层的激活值矩阵;度量模块,用于基于各隐藏层的激活值矩阵,确定各隐藏层所编码的设备信息的度量值和密钥信息的度量值,其中,设备信息用于表征物理泄漏轨迹中与密码设备的硬件差异相关的信息,密钥信息用于表征物理泄漏轨迹中与密码算法运算相关的信息;确定模块,用于基于各隐藏层的设备信息的度量值和密钥信息的度量值,确定各隐藏层的设备信息密度;调整模块,用于根据各隐藏层的设备信息密度,确定待优化层,并对待优化层进行层调整,得到目标侧信道分析神经网络;恢复模块,用于利用目标侧信道分析神经网络对目标密码设备进行密钥恢复攻击,得到目标密码设备的密钥恢复分析结果。
14、(三)有益效果
15、本发明提供的基于设备信息密度的密码设备侧信道分析方法及装置,至少具有以下有益效果:
16、(1)通过逐神经元计算激活值与设备标签、密钥标签的互信息并聚合为层级别度量值,计算设备信息与密钥信息之间的相对占比关系,得到各隐藏层的设备信息密度,能够在针对密码设备的跨设备侧信道分析中,不依赖重复试验和额外标签信息,量化各隐藏层中设备特有信息相对于密钥相关信息的密度,精准定位对跨设备泛化影响最大的层;
17、(2)仅需一次前向传播和互信息计算即可完成所有隐藏层的设备信息密度计算,无需为每一隐藏层单独训练辅助分类器,也无需逐层进行消融试验,显著缩短了针对密码设备进行跨设备侧信道安全评估所需的时间;
18、(3)通过设备信息密度确定待优化层并进行层调整,削弱待优化层中编码的设备特有信息,提升侧信道分析模型在跨设备场景下的泛化能力,从而提高对目标密码设备进行密钥恢复攻击的成功率,为密码设备的安全评估提供更可靠的攻击验证手段;
19、(4)仅需设备标签和密钥标签即可完成计算,无需掩码等额外标签信息,适用于对密码设备进行黑盒侧信道安全评估的场景,拓展了实际安全评估中的适用范围。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com