37、感染式计算与虚拟轮次:无输出前检查的分组密码故障保护

感染式计算与虚拟轮次:无输出前检查的分组密码故障保护

一、引言

在当今的数字世界中,密码设备的安全至关重要。然而,实现攻击正成为密码设备安全的一大威胁。这些攻击不再将密码设备视为黑盒,而是利用设备实现过程中的特性,主要分为被动的侧信道攻击和主动的故障攻击。

侧信道攻击通过测量设备在计算过程中的属性,如计算时间、功耗、电磁辐射等,来推断密码密钥。例如,Kocher发现计算密码算法的时间可能泄露密钥信息,后续研究还发现微处理器的功耗与执行的代码和处理的数据有关。为应对侧信道攻击,可采用随机值掩码中间状态、非确定性执行算法等方法,其中使用虚拟轮次引入时间随机性是一种有效手段。

故障攻击则试图通过插入故障来改变设备的行为,从而获取密钥信息。常见的故障攻击方法包括差分故障分析、碰撞故障分析等。为防止故障攻击,通常会引入冗余计算和一致性检查,但这些检查本身可能成为攻击目标。

本文提出了基于感染式计算的对策,将密码轮次、虚拟轮次和冗余轮次相结合,确保任何注入的故障都会影响密文,使攻击者无法获取密钥信息,从而无需在实现结束时进行故障检测。

二、背景知识

故障攻击自提出以来,不断发展以减少所需的故障数量。例如,单故障可能足以破解AES实现。为检测故障攻击,通常会在密码算法实现中引入冗余。常见的方法包括重复计算、引入奇偶校验字节、生成摘要值等。然而,这些方法的验证阶段可能被攻击者利用。

为防止攻击者通过多次注入故障绕过检查,Yen和Joye引入了感染式计算的原则。其核心思想是使注入的故障改变密码算法的输出,使其无法泄露秘密信息。常见的实现方式是在输入中引入秘密错误,计算结果后再消除该错误的影响。

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程模型预测控制器(MPC)的集成方,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值