Từ CPA đến deep learning: chọn phương pháp SCA theo giả thiết

CPA và deep-learning SCA khác nhau ở đâu?

Correlation Power Analysis là tấn công không profiling: người phân tích biết plaintext hoặc ciphertext, giả thiết từng giá trị khóa, tính một giá trị trung gian như đầu ra S-box rồi ánh xạ qua mô hình Hamming weight hoặc Hamming distance. Hệ số tương quan giữa mô hình và từng mẫu đo được tính cho mọi giả thiết; khóa đúng được kỳ vọng tạo đỉnh tương quan nổi bật.

Deep-learning SCA thường là tấn công profiling. Kẻ đánh giá có một thiết bị tương tự với khóa biết để thu tập huấn luyện và dạy mạng phân loại giá trị trung gian. Mạng học trực tiếp quan hệ phi tuyến giữa waveform và nhãn, sau đó suy luận xác suất lớp trên vệt của thiết bị đích và tích lũy log-likelihood để xếp hạng khóa. Đổi lại, phương pháp cần nhiều dữ liệu có nhãn và kiểm soát chặt sự tương đồng giữa hai miền.

Nguyên lý thống kê của CPA

Với mỗi byte khóa ứng viên, CPA tạo một vector rò rỉ giả thuyết cho toàn bộ plaintext. Tại từng thời điểm t, Pearson correlation đo mức quan hệ tuyến tính giữa vector giả thuyết và biên độ các vệt. Khóa đúng tạo giá trị trung gian đúng nên mô hình có tương quan tại vùng thiết bị xử lý byte đó; khóa sai tạo dãy gần ngẫu nhiên. Đồ thị max|ρ| theo 256 ứng viên và đường tương quan theo thời gian giúp kiểm tra cả thứ hạng lẫn vị trí rò rỉ.

CPA mạnh khi alignment tốt và mô hình rò rỉ phù hợp. Desynchronization, masking, jitter hoặc quan hệ phi tuyến làm đỉnh giảm. Tiền xử lý như ROI, căn chỉnh và lọc có thể cải thiện SNR nhưng phải tránh dùng thông tin từ tập test để lựa chọn. Ưu điểm lớn nhất của CPA là khả năng giải thích: người phân tích biết byte nào, mô hình nào và thời điểm nào tạo bằng chứng.

Một pipeline deep-learning SCA hoạt động thế nào?

Tập profiling được chuẩn hóa, chia train/validation và gắn nhãn theo leakage model. MLP học quan hệ toàn cục trong ROI nhưng nhạy với lệch thời gian; CNN dùng kernel trượt và pooling nên chịu dịch chuyển cục bộ tốt hơn. Mô hình xuất phân phối xác suất trên 256 lớp, Hamming weight hoặc các bit. Trên attack set, xác suất được ánh xạ về từng key hypothesis và cộng qua nhiều vệt để tạo guessing entropy hoặc key rank.

Đánh giá không nên dừng ở accuracy phân loại. Một mạng có accuracy thấp vẫn có thể xếp khóa đúng nhanh nếu xác suất được hiệu chỉnh tốt; ngược lại accuracy cao trên split sai không bảo đảm key recovery. Cần báo cáo số vệt tới hạng 1, guessing entropy qua nhiều lần xáo trộn, success rate và kết quả trên thiết bị hoặc phiên thu độc lập.

• CPA: ít dữ liệu hơn, giả thiết rõ, dễ giải thích nhưng phụ thuộc mô hình tuyến tính.
• Deep learning: học quan hệ phức tạp hơn nhưng cần profiling và kiểm soát domain shift.
• Chỉ tiêu cuối cùng của tấn công là key rank/success rate, không phải accuracy đơn thuần.

Khi nào dùng từng phương pháp?

CPA phù hợp để khảo sát rò rỉ ban đầu, xây dựng bài thực hành, đánh giá thiết bị không có bản sao profiling và tạo baseline có thể giải thích. Deep learning phù hợp khi waveform phi tuyến, nhiễu cao, masking hoặc desynchronization làm phương pháp cổ điển suy giảm và có thể thu dữ liệu trên thiết bị tương tự. Trong thực tế, hai phương pháp nên bổ trợ: SNR/CPA tìm ROI và kiểm tra giả thiết trước khi huấn luyện mạng lớn.

Ứng dụng hợp pháp gồm đánh giá chip mật mã, kiểm tra firmware chống rò rỉ và nghiên cứu hiệu quả countermeasure. Mọi thí nghiệm cần được thực hiện trên thiết bị được phép. Một kết quả tốt phải nêu rõ attacker model, quyền truy cập, số vệt, preprocessing và mức tương đồng giữa profiling device với target để tránh biến mô hình thành hộp đen khó kiểm chứng.