文章总结： 本文提出了一种增强跨设备侧信道分析中深度学习模型泛化性的新框架，结合扩散去噪概率模型和不确定性加权多任务损失，实现单阶段训练，提升模型在不同设备间的迁移能力和攻击效率。实验在多个数据集上验证了该方法的有效性，减少了密钥恢复所需的曲线数量，为安全评估和攻击者提供了更高效的工具。
综合评分： 88
文章分类： 漏洞分析,AI安全,二进制安全,安全工具,解决方案
跨设备侧信道分析
数缘科技
数缘信安社区
2025年11月26日 07:01
北京
跨设备侧信道分析
撰文 | 飞腾安全研究实验室
编辑 | 刘梦迪
在嵌入式设备的安全分析中，侧信道分析（side-channel analysis）是一个重要的方法。近年来，基于深度学习的技术作为侧信道分析的一种创新方法，引起了广泛的关注。今天分享一篇来自飞腾安全研究实验室发表在TIFS’25上的最新工作《Enhancing Model Generalization for Efficient Cross-Device Side-Channel Analysis》。
飞腾安全研究实验室隶属于飞腾研究院，致力于处理器安全与硬件安全领域的研究工作，工作涵盖处理器安全架构设计，处理器安全检测与安全验证，抗量子计算密码与同态密码等先进密码的软硬件安全设计，AI增强处理器安全技术等。
这篇文章关注功耗/电磁侧信道工作中常常被忽视的一个问题——深度学习模型在跨设备侧信道分析中的泛化性问题。
一、研究背景：跨设备的侧信道分析
侧信道分析通过分析系统在运行时产生的物理信息（如功耗、电磁辐射、时间延迟等）来推断设备上的敏感信息。跨设备侧信道分析是其中一种分析场景，在这种场景中，我们考虑至少使用两个设备的情况：其中至少一个设备用于建模，另一个设备作为敏感信息恢复的目标。在分析过程中，即使能够找到一台和目标设备型号相同的设备用于建模，这些设备之间硬件规格、软件实现、以及测量实验环境条件和数据采集设置上的细微差别，都会导致侧信道泄露模式的差异。当传统的神经网络模型应用于这种更加现实的跨设备侧信道分析中时，模型的分析性能可能会显著恶化。值得注意的是，在大多数相关的侧信道工作所设置的实验场景中，用于建模的侧信道数据和用于密钥恢复的数据通常来自同一台设备，这种场景完全忽视了设备间差异所带来的问题。
二、跨设备侧信道分析的性能提升
为了应对现有的基于神经网络的侧信道分析方法在跨设备分析场景中的性能受损问题，本文旨在从两个方面进行优化：（1）泛化性和（2）分析效率。我们认为，具有更强的泛化性的网络模型能够更加有效地处理来自未知且不同的目标设备中所采集到的数据，尤其是当设备差异导致数据的分布产生漂移时。另一方面，我们希望设计出一种仅依赖于单个建模设备的单阶段训练方法，以同时提升建模阶段和攻击阶段的效率。
为实现泛化性增强和分析效率提升的目标，我们提出了一种新的框架，结合扩散去噪概率模型（Denoising Diffusion Probabilistic Models，DDPM）来对单一的建模设备数据进行增强，并使用自适应的人工噪声对模型进行泛化。在我们所设计的框架中，我们解构了DDPM中的前向和后向过程，将其中整合到我们的建模阶段中。
此外，为了提升分析效率，我们的方法消除传统跨设备攻击方法中所需要的多阶段模型训练方法，例如：使用建模设备数据进行第一阶段的预训练，然后使用目标设备上所采集的无标签数据进行第二阶段的微调。具体来说，我们的框架中使用了多任务学习的方法，将泛化性和精度提升的目标融合到一个统一的多任务损失中。同时，为了避免调整多任务损失中的加权参数所耗费的大量时间精力，我们使用了一种基于不确定性的加权参数计算方法在多个训练目标之间进行自动化的动态平衡。
对于安全评估人员来说，我们所设计的单阶段训练框架一方面提升了评估在实际应用场景中的准确性，同时也节约了获取准确评估结果所需的时间和计算资源；对于攻击者而言，避免使用目标设备上所采集的数据进行微调的能力尤其重要，尤其是当攻击必须在有限的时间、使用有限的计算资源执行的条件下。我们认为，这种效率的提升可以显著提高侧信道分析方法在现实场景中执行的实用性。
三、方法设计
图1 本文中所提框架的图示说明。
方法整体架构如图1所示，所设计的方法在传统的基于深度学习的建模过程中引入了两个额外的组件。第一部分引入去噪扩散模型来推广用于建模的曲线的分布，第二部分采用不确定性加权的多任务损失（Uncertainty Weighted Multi-task Loss），旨在整合和平衡负责优化模型精度和泛化性的多个训练目标。
具体来说，我们的方法涉及使用原始的干净侧信道曲线Xo和生成的带噪音曲线Xt同时训练神经网络。如图所示，干净的原始曲线路径（clean trace path）使用传统基于深度学习的侧信道分析方法中所常用的方式，对原始曲线进行特征提取和分类，并通过传统的交叉损失函数（Clean CE Loss, 记为LoCE）优化模型参数。
在有噪音的曲线路径（noisy trace path）中，我们结合了DDPM正向过程，将人工生成的高斯噪声扩散到原始数据中。然后，我们使用一个在干净路径和带噪路径中共享的编码器（Encoder）对带噪的曲线进行特征提取，目标是使模型组件能够感知到噪声痕迹，以达到提升泛化性的效果。同时，我们也要防止过度的噪声而导致模型精度下降。因此，在将带噪特征送入分类器之前，我们引入了额外的模型组件——基于UNet的去噪器（UNet-based Denoiser）来执行DDPM的反向过程，该组件的目标是将带噪特征恢复为干净特征，和该目标相关的损失函数是均方误差损失函数（Diffusion Reverse Loss, 记为LRV）。该损失函数同时间接监督编码器的梯度更新，迫使它从干净和嘈杂的侧信道曲线中提取相似的特征，从而进一步增强编码器的鲁棒性。
在多任务学习的组件中，我们整合了三个不同的训练目标，除了以上所提到的用于对干净曲线进行分类的交叉熵损失、以及用于特征去噪的均方差损失以外，还额外包含一个基于去噪特征进行分类的交叉熵损失函数（Noisy CE Loss, 记为LtCE）。在传统的多任务学习中，需要对每个任务的损失进行加权求和。
一般来说，模型的整体性能在很大程度上取决于为每个任务所分配的相对权重，然而手动选择最佳权重是费时费力的。为了解决这个问题，我们的方法引入了一种简单而有效的方法，该方法使用任务的不确定性（uncertainty）自适应的为每个子任务计算权重。该方法来源于一篇经典的AI领域论文《multi-task learning using uncertainty to weight losses for scene geometry and semantics》，发表于CVPR‘2018。最终，我们使用以下损失对整个模型进行端到端的训练：
其中，σ项作为可学习参数随着其他网络参数一起训练，对应的log项可以视为正则化项。这种方法节约了手动调节权重参数所需耗费的资源和精力。
四、实验
我们的实验利用了五个公开可用的跨设备SCA数据集，即XMEGA、XMEGA_EM、SAKURA_AES、AES_PTv2和CHES_CTF。这些数据集的概述见表1。我们重点关注AES密码算法的实现，同时试图涵盖不同的实现设置。
表1 实验中使用的数据集概述。
在标签列中，p、k*、c分别表示明文、密钥和密文。
在评估阶段，我们使用得到正确密钥的猜测熵（guessing entropy）达到1所需的攻击曲线数量来衡量攻击性能。对每个模型的评估重复进行100次，每次将目标设备曲线集合进行随机的洗混操作，平均所需的曲线数量记为NTge。
在每个数据集上，我们将所提出的方法与三种基线方法进行比较。第一种方法是传统的基于深度学习的方法，在不考虑跨设备的状态下使用建模数据集对包含编码器和分类器的模型进行训练。第二种基线方法引入一种无监督的领域自适应方法（unsupervised domain adaptation, UDA）解决模型的跨设备可迁移性问题。第三种方法引入了对抗学习（adversarial learning，AL）方法解决可迁移性问题。基于UDA和AL的基线方法中都包含了两阶段训练，第一阶段使用带标签的建模数据集进行训练，第二阶段需要用到未标记的攻击设备曲线进行微调。
在五个实验数据集上的攻击结果分别如下图所示：
图2 比较不同方法在XMEGA数据集上的NTge结果。
图3 比较不同方法在XMEGA_EM数据集上的NTge结果。
图4 比较不同方法在SAKURA_AES数据集上的NTge结果。
图5 比较不同方法在AES_PTv2数据集上的NTge结果。
图6 比较不同方法在经过不同步处理的
AES_PTv2数据集上的NTge结果。
表2 比较不同方法在CHES_CTF数据集上的NTge结果。
可以观察到，在所有数据集上，使用传统方法（Traditional method）时，当同一设备分别用于建模和攻击时，NTge的值达到最小，即攻击效率最高，这体现在对应热力图中位于对角线上的方块颜色最浅。然而，当涉及到跨设备攻击时（对应热力图中非对角线方块），NTge值通常有明显的增大，表示攻击性能明显下降。在一些数据集上的部分结果中，传统方法甚至无法在给定的曲线数量预算内成功实现密钥恢复。这一结果强调了在跨设备分析的实际场景中提升模型泛化性的重要性。
此外，和另外两个基线对比，我们的方法通常能够在更少的曲线预算内完成密钥恢复。更重要的是，通过所设计的单设备、单阶段训练框架，我们的方法对比基于UDA和AL的方法显著提升了攻击阶段的效率。尤其是当目标设备的攻击难度较高、或是所实现的密码算法鲁棒性更强时，通过节约微调阶段的训练参数搜索、模型微调所需的时间和资源、以及微调模型所需要的目标设备曲线条数等，我们的方法的攻击效率提升会更加明显。
往期精彩文章推荐
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：数缘信安社区 数缘科技《跨设备侧信道分析》