文献

J-GLOBAL ID：202202217234801147   整理番号：22A0483097

非プロファイリング深層学習ベースサイドチャネル攻撃の最適化実装【JST・京大機械翻訳】

Optimizing Implementations of Non-Profiled Deep Learning-Based Side-Channel Attacks

著者 (3件)： Kwon Donggeun (Institute of Cyber Security and Privacy (ICSP), Korea University, Seoul, Republic of Korea) ,  Hong Seokhie (Institute of Cyber Security and Privacy (ICSP), Korea University, Seoul, Republic of Korea) ,  Kim Heeseok (Department of Cyber Security, College of Science and Technology, Korea University, Sejong, Republic of Korea)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 5957-5967  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Timonにより提案された微分深層学習解析は,深層学習を用いる最初の非プロファイルサイドチャネル攻撃技術である。この技術は,深い学習計量の現象を用いて秘密鍵を回復する。しかしながら,提案技法は,学習のコストが鍵サイズで増加するので,中間プロセスからの結果を観察するのを困難にし,一方,ニューラルネットワークは反復的に再訓練しなければならない。本論文では,前述の課題を解決するための3つの方法と,これらの問題を解決することから生じる任意の課題を提案した。最初に,中間プロセスにおける計量の監視を可能にする修正アルゴリズムを提案した。第2に,単一ネットワークを訓練して動作する並列ニューラルネットワークアーキテクチャとアルゴリズムを提案し,同じモデルを繰り返して再訓練する必要はない。攻撃は,以前のアルゴリズムより提案したアルゴリズムでより速く実行した。最後に,並列アーキテクチャにおけるメモリ問題を解決するために共有層を使用する新しいアーキテクチャを提案し,また,より良い性能を達成するのを助ける。ベンチマークデータベースASCADに対する非プロファイル攻撃の結果,およびChipWhisperer-Liteから収集された電力消費に関するカスタムデータセットに対して,この方法の性能を検証した。ASCADデータベース上で,著者らの共有層法は以前の方法よりも134倍効率的であった。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  *最適化 ,  *学習 ,  データベース ,  ネットワーク ,  電力消費 ,  ニューラルネットワーク ,  微分 ,  計算機アーキテクチャ ,  暗号鍵 ,  *サイバー攻撃
準シソーラス用語： *サイドチャネル攻撃 ,  並列アーキテクチャ ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： プロファイリング ,  深層学習 ,  サイドチャネル攻撃 ,  最適化 ,  実装