CASCADE 2026, Regensburg. Erschienen in Springer LNCS, Band 16532, Seiten 345–364. DOI 10.1007/978-3-032-25149-7_15
A Multi-head CNN-based Side-channel Attack on the Energy-efficient DIZY Stream Cipher
Wenn ein Chip Daten verschlüsselt, verrät sein Stromverbrauch ein wenig über den geheimen Schlüssel. Ich habe Convolutional Neural Networks mit Power Traces eines FPGA trainiert, auf dem DIZY läuft, eine leichtgewichtige Stromchiffre für IoT-Geräte, und damit Teile des Schlüssels rekonstruiert.
DIZY ist schwerer anzugreifen als der übliche AES-Benchmark: Die Chiffre berechnet 32 S-Boxen im selben Taktzyklus, sodass jede einzelne im Rauschen untergeht, und jeder S-Box-Ausgang hängt an nur zwei Schlüsselbits. Ein Multi-Head-Netz mit gemeinsamem Backbone, das den gesamten 160-Bit-Zustand auf einmal vorhersagt, konvergierte schneller und rekonstruierte mehr Schlüsselbits als separate Netze pro S-Box-Gruppe.
- Erster Deep-Learning-Seitenkanalangriff auf eine Stromchiffre mit kleinem Zustand wie DIZY
- Bis zu 11 von 32 Zwei-Bit-Schlüsselgruppen in den oberen 64 Schlüsselbits rekonstruiert
- Im Schnitt reichen 514 Traces, aus Datensätzen mit bis zu 500.000 Traces
Paper bei Springer lesen Preprint lesen Code ansehen
Ich habe die Arbeit auf der Konferenz CASCADE 2026 in Regensburg vorgestellt. Sie ist aus meiner Masterarbeit am Barkhausen Institut entstanden.