Demonstrace metod analýzy postranních kanálů

Abstract

V této bakalářské práci je zkoumáno a porovnáváno několik metod útoku postranním kanálem na šifrovací algoritmus AES. Práce se zaměřuje na tři základní metody útoku: korelační odběrovou analýzu, útok pomocí šablon a metodu strojového učení, konkrétně náhodný les. Cílem práce je analyzovat a porovnat účinnost těchto metod na platformě ChipWhisperer Nano s použitím programovacího jazyka Python a jeho knihoven. V praktické části je provedena implementace experimentů pro každou metodu útoku. Účinnost metod je zhodnocena na základě zvolených metrik, jako je částečná entropie odhadu, počet nutných měření a délka výpočtu. Počet nutných měření je vyhodnocen na 32 u korelační odběrové analýzy, 17 u útoku pomocí šablon a 17 u metody náhodného lesa. Výsledky této práce ukazují, že metoda strojového učení je nejúčinnější v metrikách částečné entropie odhadu, avšak v délce výpočtu má nejhorší výsledky. V délce výpočtu má nejlepší výsledky útok pomocí šablon. Tato práce přispívá k lepšímu porozumění účinnosti jednotlivých metod útoku postranním kanálem a může sloužit jako základ pro další výzkum v oblasti zabezpečení šifrování.

In this bachelor's thesis, several side-channel attack methods on the AES encryption algorithm are examined and compared. The focus of the study is on three basic attack methods: Correlation Power Analysis, Template Attack, and a machine learning method, specifically Random Forest. The aim of the work is to analyze and compare the effectiveness of these methods on the ChipWhisperer Nano platform, using the Python programming language and its libraries. In the practical part, the implementation of experiments for each attack method is carried out. The effectiveness of the methods is evaluated based on selected metrics, such as Partial Guessing Entropy, the number of necessary measurements, and computation time. The number of necessary measurements is evaluated to be 32 for Correlation Power Analysis, 17 for Template Attack, and 17 for the Random Forest method. The results of this work show that the machine learning method is the most effective in Partial Guessing Entropy metrics, but it has the worst results in terms of computation time. The Template Attack has the best results in computation time. This work contributes to a better understanding of the effectiveness of individual side-channel attack methods and can serve as a basis for further research in the field of encryption security.