基于机器学习方法的嵌入式设备旁路攻击研究

作     者：吴晨曦 

作者单位：北京邮电大学 

学位级别：硕士

导师姓名：张洪欣

授予年度：2021年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 081201[工学-计算机系统结构] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电磁泄漏 旁路攻击 机器学习 深度学习 迁移学习 

摘      要：电磁泄漏信号是电子系统正常运行期间,由内部电流的变化所产生的电磁辐射信号。在正常情况下,电阻、电源、计算芯片等电子元件都会产生电磁辐射并引起电磁泄漏。本文针对嵌入式设备产生的电磁泄漏信号进行分类识别,对于嵌入式设备的安全性评估有重要意义。本文主要有如下四个创新点:第一,搭建了基于单片机存储、SIMECK32/64进行加密过程的电磁泄漏信号自动采集平台和基于Jetson Nano的神经网络电磁泄漏信号的自动采集平台。并设计了对应的硬件组件和软件,使采集过程和数据筛选过程更加高效。第二,为了解决直接训练卷积神经网络梯度不下降的问题,结合汉明重模型理论,提出了一种新的卷积神经网络结构——简单任务网络(Easy Task Network),并在此网络结构的基础上,利用采集的单片机存储过程中的电磁泄漏,在存储任务数据集上进行验证并达到了96.80%的准确率。第三,在不知道任何明文、密文及泄漏中间值信息的情况下使用全随机密钥,并用SIMECK32/64算法进行加密,进行电磁泄漏攻击。使用设计的神经网络结构并利用基于标签的迁移学习,达到了 96%的平均准确率。并且通过不同任务的电磁泄漏信号的数据集进行迁移学习,目标数据集提高了 6%的分类识别准确率,证明了不同任务的电磁泄漏信号之间的可迁移性。第四,针对Jetson设备神经网络结构进行基于电磁泄漏的旁路攻击。进行了两个维度的安全评估,一种是对同一框架TensorRT下7种不同的神经网络的泄漏信号进行分类;另一种是对TensorRT、Tensorflow、Pytorch三种框架下同一神经网络的电磁泄漏进行分类。本任务中通过不同策略设计并测试了如何将二维卷积神经网络转换为一维卷积神经网络的结构,通过实验验证了其可行性,证明了良好的网络转换策略能够提升5%～12%的分类识别准确率。