34、支持向量机在侧信道分析中的应用与性能评估

支持向量机在侧信道分析中的应用与性能评估

1. 多类分类扩展与概率输出

在多类分类问题中，有多种将二元分类器扩展的方法，如一对一、一对多和误差编码等。由于这些扩展方法性能相近，这里主要介绍一对一策略。该策略为每对可能的类别训练一个二元分类器，对于 $M$ 个类别，需训练 $(M - 1)M/2$ 个二元分类器。最后将所有二元分类器的预测结果组合成多类分类器的预测，选择得票最多的类别。

支持向量机（SVM）通常输出类别标签 $y_i = {1, \ldots, N}$，但在侧信道攻击中，攻击者更关注实例 $x_i$ 属于某个类别 $y_i$ 的概率。因此，我们的目标是预测所有类别 $c$ 的概率 $P_{SVM}(x_i|c)$。

2. 侧信道分析中的攻击者模型

假设攻击者在分析阶段能完全控制训练设备，并测量加密算法执行过程中的功耗。在后续的攻击阶段，攻击者通过测量相同目标设备多次执行加密算法时的功耗，处理已知的随机输入，来恢复未知的秘密密钥。这里假设设备的泄漏模型为汉明重量模型。

与其他模型不同，此模型假设攻击者在攻击阶段能测量多个功率轨迹，这更适合凸显 SVM 对给定问题的泛化能力，也是侧信道分析中最常见的模型。若攻击轨迹数量受限为 1，建议将 SVM 攻击与代数技术结合以恢复密钥。

3. 密钥恢复方法

• 扩展到汉明重量泄漏模型 ：将比特泄漏模型扩展为汉明重量泄漏模型，可对整个中间值进行假设，而非仅对中间值的比特进行假设。由于汉明重量泄漏模型区分九个不同类别，需利用 SVM 的多类功能扩展分类。
• 扩展