Um fluxo de poda para redes neurais dedicadas a ataques a canais laterais baseados em aprendizado profundo

• Ano de defesa: 2023
• Autor(a) principal: Lellis, Rodrigo Nuevo
• Orientador(a): Soares, Rafael Iankowski
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• País: Brasil
• Palavras-chave em Português: Ataques a canais laterais; Aprendizado de máquinas; Aprendizado profundo; Poda; Side channel attacks; Machine leaning; Deep learning; Pruning
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA
• Link de acesso: http://guaiaca.ufpel.edu.br/xmlui/handle/prefix/10842

Devido ao crescente número de serviços disponíveis por meio da Internet nas últimas décadas, é cada vez mais importante oferecer segurança às informações de usuário que trafegam por diferentes meios de comunicação. Para isso, sistemas computacionais se apoiam no uso de criptografia como modo de proteger as informações dos usuários. Atualmente, o uso de algoritmos de criptografia encontra-se embarcado em muitos dispositivos e aplicações, o que potencializa a ameaça de ataques que exploram características físicas do hardware que executa tais algoritmos. Esta classe de ataques é chamada de Ataques de Canal Lateral (do inglês Side Channel Attacks ou SCAs). Muitas proteções contra SCAs, chamadas contramedidas, são encontradas na literatura. Entretanto, são encontradas vulnerabilidades nessas contramedidas. Neste contexto, técnicas de Aprendizado profundo (do inglês Deep Learning ou DL) têm atraído interesse crescente por constituírem-se como recursos eficientes e em constante evolução. No entanto, o custo computacional de aplicar DL no cenário de SCA é alto. Estudos relatam experimentos com duração de semanas de uso de infraestrutura computacional. Este trabalho propõe reduzir o esforço computacional de SCAs baseados no uso de redes neurais pela redução do tamanho destas via técnicas de poda. Além disso, otimiza-se aqui o esforço computacional do processo de redução de redes. Resultados experimentais demonstram reduções entre 40 a 50% na quantidade de parâmetros de redes, bem como reduções de até 57.17% no tempo de treinamento. Redes reduzidas conseguem realizar ataques utilizando menos traços que as respectivas redes originais, em todos os casos. Adicionalmente, as redes reduzidas são treináveis por menos épocas que as respectivas redes originais. Com isto reduz-se ainda mais o tempo para realizar ataques. Esta Tese demonstra o potencial de aumento do nível de ameaça representado por SCAs baseados em DL.