Improving Location-based Thermal Emission Side-Channel Analysis Using Iterative Transfer Learning

要約

この論文では、サイドチャネル攻撃のための深層学習モデルに適用される反復転移学習の使用を提案します。
現在、サイドチャネル攻撃手法のほとんどは、バイト間の相関を考慮せずに、個々のバイトごとにモデルをトレーニングします。
ただし、異なるバイトを攻撃するためのモデルのパラメーターは類似している可能性があるため、転移学習を活用できます。つまり、最初にキー バイトの 1 つについてモデルをトレーニングし、次にトレーニングされたモデルを残りのバイトの事前トレーニング済みモデルとして使用します。
この手法は反復的に適用でき、反復転移学習として知られるプロセスです。
実験結果は、熱または消費電力マップ画像を入力として使用し、多層パーセプトロンまたは畳み込みニューラル ネットワークをモデルとして使用すると、特にデータ量が不十分な場合に、私たちの方法が平均パフォーマンスを向上させることを示しています。

要約(オリジナル)

This paper proposes the use of iterative transfer learning applied to deep learning models for side-channel attacks. Currently, most of the side-channel attack methods train a model for each individual byte, without considering the correlation between bytes. However, since the models’ parameters for attacking different bytes may be similar, we can leverage transfer learning, meaning that we first train the model for one of the key bytes, then use the trained model as a pretrained model for the remaining bytes. This technique can be applied iteratively, a process known as iterative transfer learning. Experimental results show that when using thermal or power consumption map images as input, and multilayer perceptron or convolutional neural network as the model, our method improves average performance, especially when the amount of data is insufficient.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google