Convolutional Neural Networks with Data Augmentation against Jitter-Based Countermeasures


Cet article s’intéresse tout particulièrement aux méthodes d’apprentissage à base de réseaux de convolutions (très utilisés dans le domaine de la reconnaissance biométrique). Il a été en effet montré dans un article publié à la conférence SPACE en 2016 que ces derniers peuvent être utilisé pour modéliser assez finement la dépendance entre le comportement physique du matériel et les données secrètes manipulées.

L’article montre que l’utilisation des techniques d’augmentation (artificielle) des données d’apprentissage, qui servent à créer des nouvelles observations à partir d’anciennes en opérant des transformations géométriques bien choisies, permet de corriger le bruit lié à la désynchronisation temporelle des signaux mesurés. L’efficacité de cette méthode est validée sur plusieurs cibles matérielles.

Au cours de l’exécution d’un calcul cryptographique sur un système embarqué comme une carte à puce, il est parfois possible de retrouver de l’information sur les paramètres secrets ou les données utilisateurs en exploitant la dépendance statistique entre le comportement du matériel et la valeur des données manipulées. Cette dépendance peut, par exemple, être observée via la mesure de la consommation de courant ou du rayonnement électromagnétique des composants électroniques. Depuis leur introduction dans le domaine publique dans les années 90, ces attaques dites « par analyse de canaux auxiliaires » ont été beaucoup étudiées et, pour les contrer, de nombreuses contre-mesures ont été développées par les industriels du domaine. La caractérisation de la sensibilité des systèmes embarqués vis-à-vis de ces attaques est un sujet important pour l’ANSSI et un effort important est mené avec l’aide des CESTIs pour devancer tous les progrès qui pourraient être faits dans ce domaine. Cet article s’intéresse tout particulièrement aux méthodes d’apprentissage à base de réseaux de convolutions (très utilisés dans le domaine de la reconnaissance biométrique).

L’article, qui est un travail commun avec des experts du CESTI du CEA LETI, s’intéresse tout particulièrement aux méthodes d’apprentissage à base de réseaux de convolutions (très utilisés dans le domaine de la reconnaissance biométrique).

Il était présenté à la conférence CHES (Cryptographic Hardware and Embedded Systems) qui se déroulait à Tapei (Taiwan) du 25 au 28 Septembre 2017.

CHES est la conférence majeure dans le domaine de la cryptographie dans les systèmes embarqués. Elle réunit tous les ans près de 500 experts issus du monde industriel, des agences gouvernementales et des laboratoires de recherche publiques.

 

  • pdf

    Convolutional Neural Networks with Data Augmentation against Jitter-Based Countermeasures

    1.84 Mo