Security of cryptographic implementations against side-channel attacks based on deep learning techniques
Sécurité des implémentations cryptographiques face aux attaques par canaux auxiliaires basées sur des techniques d'apprentissage profond
Résumé
Side-channel analysis can be considered as one of the most significant threat against the implementation of encryption schemes and secure protocols. It is based on the exploitation of information leakages of sensitive variables present in different physical values such as the power consumption or the electromagnetic emanation of the secure system. The main difficulties faced during the realisation of those attacks are the presence of noise during the acquisition of the physical values and the high dimension of the acquisitions.Recently, researchers started to explore the application of machine learning algorithms in order to solve those problems. In this thesis, we continue this work and try to understand more precisely how those algorithms work to better judge the threat they represent. We start by developing a performance metric that allows us to evaluate the behavior of the algorithms during their training phase and thus deduce the state of the learning process. We then use this metric to understand the influence of performance improvement techniques usually considered in machine learning on a neural network used to perform side-channel attacks and characterize the improvement of the results. Finally, we explore a new way of performing side-channel attacks in which we determine an ordering on the traces to be processed based on the predictions from the neural network. It allows us to obtain a minimal value for the rank of the key lower than the final rank in most scenarios and this method has the potential to question a certain number of security evaluations.
Les attaques par canaux auxiliaires peuvent être considérées comme une des principales menaces contre les implémentations de systèmes de chiffrement et de protocoles sécurisés. Elles se basent sur l'exploitation de fuites d'information, liées à des valeurs sensibles des algorithmes de chiffrement, qui sont contenues dans des grandeurs physiques telle que la consommation de courant. Les principaux problèmes rencontrés dans la mise en place de ces attaques sont la présence de bruit dans les grandeurs physiques et la gestion de la dimension de ces acquisitions. Récemment, des travaux ont été menés sur l'application d'algorithmes d'apprentissage profond pouvant aider à résoudre ces problèmes. Dans cette thèse, nous poursuivons l'étude de cette application en essayant de comprendre plus précisément leur fonctionnement afin d'évaluer la menace qu'ils représentent. Nous commençons par mettre au point une métrique de performances permettant d'évaluer le comportement de ces algorithmes au cours de leur apprentissage et ainsi d'en déduire l'état de l'entraînement. Cette métrique est utilisée pour déterminer l'influence de techniques d'amélioration de performances issues du machine learning sur un réseau de neurones et caractériser les gains de performances. Pour finir, nous explorons une nouvelle façon de réaliser les attaques par canaux auxiliaires se basant sur l'ordonnancement des traces de consommation de courant utilisées en fonction des prédictions du réseau de neurones utilisé. Cela nous permet d'obtenir un rang minimal de la clé inférieur au rang final dans la plupart des scénarios explorés et a le potentiel de remettre en cause un certain nombre d'évaluations de sécurité.
Origine : Version validée par le jury (STAR)