《Neurocomputing》：DAR-SCA: Differentiable alignment refinement for deep-learning-based side-channel analysis under temporal desynchronization
编辑推荐：
摘要基于深度学习的侧信道分析被广泛用于密钥恢复。时间去同步化会破坏不同波形之间泄漏的时间一致性。现有的对齐、增广和移位容差方法可以缓解时间去同步化问题。这些方法通常不会在分类之前显式地建模中间表示与共享时间参考之间的对应关系。本文提出了用于侧信道分析的可微对齐细化（DAR-S
摘要
基于深度学习的侧信道分析被广泛用于密钥恢复。时间去同步化会破坏不同波形之间泄漏的时间一致性。现有的对齐、增广和移位容差方法可以缓解时间去同步化问题。这些方法通常不会在分类之前显式地建模中间表示与共享时间参考之间的对应关系。本文提出了用于侧信道分析的可微对齐细化（DAR-SCA）。该模型在特征提取器与分类头之间插入了一个可微对齐细化算子。该算子学习一个在波形和标签类别之间共享的模型内部时间参考。Soft-DTW 成本梯度被解释为路径约束占用关系，并用于中间特征的前向重采样。模型仅使用分类损失进行端到端训练，不需要时间对齐标签。DAR-SCA 在时间去同步化的 ASCADf 和 ASCADr 上与 No-DAR 进行了对比评估。评估还包括随机延迟 AES_RD 基准测试。实验使用了多次独立训练运行。DAR-SCA 在所有评估设置中都降低了平均猜测熵首次达到零所需的平均攻击波形数量。在 ASCADf-desync100 上降低了 44.2%，在 ASCADr-desync100 上降低了 84.6%，在 AES_RD-desync200 上降低了 83.6%。在这些设置上的消融分析进一步评估了所提出组件的贡献。这些发现仅限于所评估的基准测试和扰动设置。
引言
侧信道分析（SCA）利用功耗、电磁辐射和执行时间等物理泄漏来恢复密钥并评估加密实现的安全性[1]。在已配置的侧信道攻击中，攻击者在标记的配置波形上训练深度学习分类器，以估计与密钥相关的中间值标签的后验概率[2]。在攻击阶段，攻击者根据每个密钥假设及其对应的公共输入推导出每个攻击波形的标签[3]。该模型通过对所有攻击波形对应标签的后验对数概率求和来为每个密钥假设评分，并按得分对假设排序[3], [4]。因此，这些后验估计的质量会影响密钥恢复所需的攻击波形数量。仅分类准确率无法完全表征密钥恢复性能[5], [6]。
基于深度学习的 SCA 研究涵盖攻击设置、预测建模和表示学习。盲 SCA[7] 和弱配置 SCA[8] 代表了两个近期的研究方向。另一项研究对混淆功耗波形中的加密操作进行分割并攻击所得片段[9]。一项系统综述回顾了关于威胁模型和泄漏建模的早期工作，以及网络设计和评估方法[10]。研究探讨了标签相关性[11]、训练目标[12] 和泄漏模型[13] 如何影响标签后验概率估计和密钥恢复性能。对比学习和泄漏蒸馏已被用于学习有信息的泄漏表示[14], [15]。研究还涉及训练优化[16]、跨设备迁移[17] 和长波形建模[18]。本研究聚焦于随机延迟和时间移位设置下的时间去同步化问题。
缓解时间去同步化的方法大致分为三类：输入级预处理、数据增广和基于架构的方法。波形对齐可以减少原始波形中的时间失配[19]。一项研究将用户指定的预处理操作集成到多分支特征学习框架中，但这些操作仍然作用于输入波形[20]。数据增广通过随机波形移位和噪声注入来扩大训练分布[21]。基于架构的方法通过更大的感受野、长程依赖建模和注意力机制来提高对泄漏位置变化的鲁棒性。ESTraNet 使用移位不变的 Transformer 架构来解决随机延迟和时钟抖动[22]。这三类方法通过不同的干预点缓解时间去同步化。输入级预处理作用于波形，数据增广修改训练分布，基于架构的方法修改模型结构。
这些方法不一定在估计标签后验概率之前对每个波形的中间表示进行显式对齐。由于时间去同步化，与相同目标标签相关的泄漏证据可能会出现在不同波形中不同的潜在时间位置。术语中间表示失配指这种跨波形位置不稳定性。直接在这些表示上操作的分类头可能需要适应类别区分过程中的位置变化。这种额外负担可能会使标签后验概率估计和下游密钥恢复更加复杂。本研究探讨在分类之前对中间表示级别进行显式时间对应关系建模。
用于侧信道分析的可微对齐细化（DAR-SCA）在特征提取器和分类头之间放置了一个 DAR 算子。该算子将每个样本依赖的中间表示与一个在波形和标签类别之间共享的可学习时间参考进行对齐。当 Soft-DTW 的平滑参数为正时，它会在单调变形路径上产生可微标量成本。该成本对局部成本矩阵的梯度产生期望占用矩阵，被解释为路径约束占用关系。局部窗口惩罚在占用构建期间抑制窗口外的对应关系，随后的掩码在向前重采样之前移除了窗口外占用。列缩放将掩码后的占用关系转换为重采样权重。所得权重在分类前将投影值特征重采样到共享参考坐标上。DAR-SCA 在向前路径上直接应用这些权重，而不是仅将 Soft-DTW 作为辅助损失。完整模型仅使用监督分类目标进行端到端训练，不需要时间对齐标注。
主要贡献如下：
- (1)
我们提出了 DAR-SCA，它在特征提取器和分类头之间放置了一个可微对齐细化算子。一个在波形和标签类别之间共享的可学习时间参考为样本依赖的特征重采样提供了公共的模型内部坐标。
- (2)
DAR 算子从 Soft-DTW 派生的路径约束占用关系和局部窗口先验构建前向重采样权重，并将投影值特征重采样到参考坐标上。完整模型仅使用分类目标进行端到端训练，不需要时间对齐标注。
- (3)
在 ASCADf、ASCADr 和 AES_RD 上的实验每种配置使用五次独立训练运行。DAR-SCA 在所有六个 ASCAD 设置和四个 AES_RD 设置中都取得了比 No-DAR 更低的平均值，固定预算成功率提供了补充证据。参数匹配比较和消融分析进一步考察了额外模型容量和所提出的组件。
各节摘要
背景
已配置的基于深度学习的侧信道分析通过对每个密钥假设在所有攻击波形中产生的标签分配的日志后验概率进行累积来对候选密钥进行排序。时间去同步化通常保持目标标签不变，但可能会将相关泄漏证据在不同波形之间移动到不同的时间位置，使该证据更难被一致地利用。
DAR-SCA
为了解决中间表示失配问题，DAR-SCA 在特征提取器和分类头之间插入了一个可微对齐细化算子。一个在波形和标签类别之间共享的可学习时间参考为样本依赖表示提供了模型内部坐标。Soft-DTW 在单调对齐上提供路径约束占用关系；局部窗口惩罚在占用构建期间抑制非局部匹配，而
实验
DAR-SCA 在多个时间去同步化设置下与使用相同特征提取骨干但省略前向对齐细化的基线进行评估。实验还评估了对齐组件的贡献，可视化了学习的重采样权重结构，并分析了密钥恢复性能对主要对齐超参数的敏感性。
结论
DAR-SCA 通过将投影值特征重采样到在波形和标签类别之间共享的可学习时间参考上来细化时间去同步化条件下的中间表示。该可微操作位于特征提取器和分类头之间。其重采样权重结合了 Soft-DTW 派生的路径约束占用关系、局部窗口先验和列缩放。模型仅使用分类损失进行端到端训练，不需要
CRediT 作者贡献声明
马靖云：写作—审阅与编辑，写作—初稿，可视化，验证，方法论，调查，形式分析，数据整理，概念化。李朗：写作—初稿，监督，项目管理，方法论，调查。刘波涛：验证，监督。唐胜涛：数据整理，概念化。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系可能影响本论文报告的工作。
致谢
本工作得到了衡阳师范学院网络空间安全技术与应用湖南省工程研究中心开放基金（编号：2025HSKFJJ031）；人工智能应用与系统安全湖南省高校重点实验室（湘教通[2025]233号）；湖南省"十四五"重点学科和应用型特色学科（湘教通[2022]351号）；以及科学和技术
马靖云于2023年从中国河南理工大学获得学士学位。他目前正在中国衡阳的衡阳师范学院攻读硕士学位。他的当前研究兴趣包括嵌入式系统和侧信道攻击。
马靖云|李朗|刘波涛|唐胜涛
