Security of cryptographic implementations against side-channel attacks based on deep learning techniques
Damien Robissout · theses.fr (ABES) · 2022
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.