基于Vision Transformer的有学习的侧信道攻击模型

在侧信道攻击中,任何防御对策的目标都是使减弱能量消耗与设备所执行密码算法的中间值的关系。加掩方案就是通过随机化密码设备所处理的中间值来达到这个目标。Sbox乱序方案则通过使密码算法执行过程中的Sbox盒的执行顺序,以达到随机化各中间值所对应能量泄露时刻。针对这两类防御对策,目前基于有学习的侧信道攻击模型一般使用多层感知器、卷积神经网络和循环神经网络。本文基于计算机视觉领域的Vision Transformer (ViT)模型提出一种有学习的攻击模型VITSCA。VITSCA模型主要针对自注意机制做了微调,通过引入一个权重向量对输入的样本权重进行记录而非使用查询向量和键值对组合,更有利于攻击模型从大量的能迹样本中筛选出更有用的信息进行攻击。VITSCA模型能减少模型训练的时间以及提高模型的精确度,能有效对经过加掩方案和Sbox乱序的数据集进行攻击。本文引言部分过于简单,缺少对现有文献的综述和分析,同时也未对本文创新性和研究内容进行总结,议广泛阅读文献,对该研究领域的研究现状进行系统综述。