A GPU accelerated processing method for bypass attacks is presented. The calculation of curve points and corresponding plaintext required in all bypass attacks is converted into computational graphs by using neural networks. That is, low-pass filtering operation is transformed by two convolution layers, curve alignment operation is transformed by one convolution layer, and Pearson correlation coefficient is calculated by adding and multiplying computational graphs. Each computational graph operates on a set of curves at a time and gets an accumulative array. Finally, the GPU processes the computational graph to get the corresponding key. The invention converts the operation of low pass, alignment, calculation correlation in the bypass attack process calculated by conventional CPU into a calculation chart that can be quickly calculated on GPU, and completes the calculation of bypass attack quickly by GPU.
【技术实现步骤摘要】
用于旁路攻击的GPU加速方法
本专利技术涉及的是一种信息安全领域的技术,具体是一种用于旁路攻击的(图形处理器)GPU加速处理方法。
技术介绍
在密码系统的实现环境中,攻击者可以观察和测量密码变换的能量消耗、电磁辐射等信息,利用这些额外的信息有可能实现比传统的数学分析更有效地密码破译,即旁路攻击(SideChannelAttack),其包括简单功耗分析(SPA)和差分功耗分析(DPA),其中DPA攻击是通过记录密码设备对大量不同数据加密或解密操作时的功耗曲线,利用统计方法从功耗曲线中恢复出密码设备中的密钥。
技术实现思路
本专利技术针对现有传统旁路攻击全过程运行在CPU上并行度有限的缺陷,提出一种用于旁路攻击的GPU加速处理方法,该方法将常规CPU计算的旁路攻击过程中的低通、对齐、计算相关性等操作转化为可在GPU上快速计算的计算图,通过GPU快速完成旁路攻击计算获得密钥。本专利技术是通过以下技术方案实现的:本专利技术涉及一种用于旁路攻击的GPU加速处理方法,采用神经网络将所有旁路攻击中所需的对曲线点和相应明文的计算转换为计算图,即通过两个卷积层实现低通滤波操作转化、通过一个卷积层实现曲线快速对齐操作转化,再通过加法和乘法计算图计算皮尔森相关性系数,得到的每个计算图一次对一组曲线进行操作并得到累加数组,最后由GPU进行计算图处理得到相应的密钥。所述的每个计算图,一次从队列获得一组曲线数据,经计算后的结果累加进累加数组。所述的神经网络,采用但不限于TensorFlow完成,该神经网络包括三层卷积层和由五个计算子图构成的相关性计算层。所述的低通滤波是指:其中:i代表曲 ...
【技术保护点】
1.一种用于旁路攻击的GPU加速处理方法,其特征在于,采用神经网络将所有旁路攻击中所需的对曲线点和相应明文的计算转换为计算图,即通过两个卷积层实现低通滤波操作转化、通过一个卷积层实现曲线快速对齐操作转化,再通过加法和乘法计算图计算皮尔森相关性系数,得到的每个计算图一次对一组曲线进行操作并得到累加数组,最后由GPU进行计算图处理得到相应的密钥;所述的每个计算图,一次从队列获得一组曲线数据,经计算后的结果累加进累加数组。
【技术特征摘要】
1.一种用于旁路攻击的GPU加速处理方法,其特征在于,采用神经网络将所有旁路攻击中所需的对曲线点和相应明文的计算转换为计算图,即通过两个卷积层实现低通滤波操作转化、通过一个卷积层实现曲线快速对齐操作转化,再通过加法和乘法计算图计算皮尔森相关性系数,得到的每个计算图一次对一组曲线进行操作并得到累加数组,最后由GPU进行计算图处理得到相应的密钥;所述的每个计算图,一次从队列获得一组曲线数据,经计算后的结果累加进累加数组。2.根据权利要求1所述的方法,其特征是,所述的神经网络,采用TensorFlow完成,该神经网络包括三层卷积层和由五个计算子图构成的相关性计算层。3.根据权利要求1所述的方法,其特征是,所述的低通滤波是指:其中:i代表曲线中的第i个功耗点,i∈(1,n),n是单条曲线总点数,input是低通处理的输入曲线,output1是中间输出曲线,output2是最终输出曲线,weight为权重值。4.根据权利要求1或3所述的方法,其特征是,所述的低通滤波操作转化是指:采用具有大小为2、权重分别为weight和1的卷积核的第一卷积层以及具有大小为2,权重分别为1和weight的卷积核的第二卷积层用于搭建计算图以实现在GPU上的并行计算。5.根据权利要求1所述的方法,其特征是,所述的曲线快速对齐操作转化是指:通过卷积层实现离散函数的互相关计算从而实现曲线快速对齐,具体为:其中:p为标兵曲线中其他曲线要对齐的模式,其在标兵曲线中的位置为ip,t为一条待对齐曲线,i∈(1,n),k∈(1,kernel_size),kernel_size为一维卷积核大小,即模式p的长度;互相关计算的结果最大值的位置为imax,当ip-imax为正数时将待对齐曲线t向右移动ip-imax个点完成对齐,为负数时则向左移动,从而实现快速对齐。6.根据权利要求1所述的方法,其特征是,所述的通过加法和乘法计算图计算皮尔森相关性系数是指:根据皮尔森相关性系数公式,两个一...
【专利技术属性】
技术研发人员:王凌云,陆相君,陆海宁,郭筝,刘军荣,
申请(专利权)人:上海观源信息科技有限公司,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。