ASCENT：通过学习与蒙特卡罗树搜索增强功率侧信道的鲁棒性

Jun, 2024

ASCENT：通过学习与蒙特卡罗树搜索增强功率侧信道的鲁棒性

ASCENT: Amplifying Power Side-Channel Resilience via Learning & Monte-Carlo Tree Search

Jitendra Bhandari, Animesh Basak Chowdhury, Ozgur Sinanoglu, Siddharth Garg, Ramesh Karri...

TL;DR通过引入一种基于学习和搜索的框架 ASCENT，本研究提出了一种以安全为主导的方法来改进逻辑综合阶段，从而提高功耗侧信道抵抗措施的整体弹性，该方法能够显著减少后期设计中功耗侧信道评估的时间，并探索安全性与功耗性能之间的设计空间，相较于传统的功耗性能优化网表，ASCENT 在功耗侧信道抵抗措施方面表现出了相当大的提升。

Abstract

Power side-channel (PSC) analysis is pivotal for securing cryptographic hardware. Prior art focused on securing gate-level netlists obtained as-is from chip design automation, neglecting all the complexities and potential side-effects for security arising from the design automation process. That is, automation traditionally prioritizes power, performance, an

power side-channel analysis logic synthesis asic design automation security-first approach ascent

发现论文，激发创造

研究 AES 侧信道攻击的高效深度学习架构

近年来，深度学习在嵌入式加密应用的侧信道漏洞利用方面越来越受欢迎，因为它可以减少有效密钥恢复所需的攻击轨迹数量。本研究基于 ANSSI 侧信道攻击数据库（ASCAD），采用基于 JAX 的深度学习框架，重现了以前的一些结果并试图改进性能，并研究了各种基于 Transformer 的模型的有效性。

Sep, 2023

基于人工智能的侧信道分析综述与比较

现代计算系统中，侧信道分析（SCA）对隐私和安全构成明显威胁。大部分通信通过加密算法来保护，尽管这些算法从密码学角度通常是安全的，但实际硬件上的实现会引入漏洞。本研究关注最新的深度学习技术在侧信道分析中的运用，探讨了深度学习技术的理论基础和实际操作。主要研究重点放在利用深度学习技术进行分析的攻击模式，以及一些新兴的由深度学习技术加强的方法，如非基于剖析的攻击、人工迹线生成等。最后，我们将评估和比较针对 ANSSI SCA 数据库（ASCAD）的不同深度学习增强的侧信道分析方案及其相对性能。这将为安全密码学实施抵御最新侧信道分析攻击的研究方向提供新的参考。

Feb, 2024

SNOW-SCA: ML 辅助的 SNOW-V 侧信道攻击

本文提出了 SNOW-SCA 攻击，这是首个针对 5G 移动通信安全标准候选 SNOW-V 的功耗侧信道分析（SCA）攻击。

Mar, 2024

保护优化代码免受功率侧信道攻击

这篇论文提出了一种基于约束的编译器方法，可以生成经过优化的、防止功耗侧信道问题的低级代码，包括代码的性能和安全性，但是需要付出较高的编译代价。

Jul, 2022

基于隐私保护的神经架构搜索

使用安全多方计算方法构建隐私保护的神经架构搜索框架，其中使用重新设计的 ReLU 和 Max-pooling 保混乱电路以及对秘密共享的 Softmax 函数的新替代方法，分析和实验表明其在安全性，效率和准确性方面具有优越性。

Apr, 2022

随机蒙特卡洛树搜索中的功率均值估计

通过引入随机功值平均估计器的随机功 - UCT 算法，实现在随机马尔可夫决策过程中更准确的价值估计，研究其多项式收敛性和与 Fixed-Depth-MCTS 相同的收敛速率。

Jun, 2024

发挥每一步的价值：基于 LLM 的高质量 RTL 代码生成使用 MCTS

通过引入蒙特卡罗树搜索，并将其与自动转换器解码算法相结合，以解决现有大型语言模型在寄存器传输级代码生成中遇到的问题，从而实现能够生成可编译、功能正确且功耗性能区域（PPA）优化的代码。经实证评估，我们的技术在 RTL 代码集上通过对细调的语言模型进行评估，相对于仅使用提示的方法，一直能够生成功能正确的代码，并有效解决了朴素大型语言模型的 PPA 非感知缺陷。对于由最先进的大型语言模型（16 位加法器）生成的最大设计，我们的技术可以在延迟面积乘积方面实现 31.8% 的改进。

Feb, 2024

ASP：学习通用神经求解器！

该研究提出了一种名为 ASP 的新方法，利用分布探索和持久缩放调节两个组件，提高神经求解器的处理未知分布和多尺度性并实现普适性；结果表明，相比于标准训练流程，该方法在各类 COP 测试中均取得优异表现。

Mar, 2023

基于学习控制的线性模型预测安全认证

本文提出模型预测安全认证 (MPSC) 方案，用于保证学习型控制器的安全性，并拓展安全状态集合的方法是使用基于场景优化的数据设计过程。

Mar, 2018

马尔可夫链分数上升：具有马尔可夫梯度的变分推断的统一框架

提供了多个基于马尔可夫链的有偏梯度估计算法的非渐进收敛分析，并将其视为马尔可夫链梯度下降框架的特例，通过新的理解开发了一种并行的 Markov chain score ascent (pMCSA) 算法，实现了对梯度变化的更紧密控制，从而显著提高了算法的实际性能。

Jun, 2022