Tổng quan về luận án

Luận án này đề xuất một chuỗi các phương pháp tấn công phân tích điện năng tiêu thụ (Side-Channel Attack - SCA) tiên tiến, tập trung vào việc nâng cao hiệu quả khôi phục khóa bí mật từ các thiết bị mật mã, bao gồm cả thiết bị không có phòng vệ và có phòng vệ. Bối cảnh khoa học của nghiên cứu được đặt trong thực tế ngày càng gia tăng của các mối đe dọa từ tấn công kênh kề, mà theo Kocher (1999) đã chứng minh khả năng khai thác thông tin vật lý như điện năng tiêu thụ để phá vỡ các hệ thống mật mã. Tính tiên phong của nghiên cứu nằm ở việc tích hợp các kỹ thuật xử lý tín hiệu và học máy hiện đại để giải quyết những thách thức cố hữu trong các phương pháp tấn công hiện có.

Research Gap SPECIFIC với citations từ literature:

  1. Đối với tấn công không bản mẫu (Non-Profiled Attacks - NPA) và có bản mẫu (Profiled Attacks - PA) trên thiết bị không có phòng vệ: Các phương pháp giảm nhiễu hiện tại như lấy trung bình vết (Kocher, 1999 [3]), bộ lọc (Oswald và Parr [37], Bargenghi [38], Souissi et al. [39] [40]) hoặc biến đổi Wavelet (Charvet [41], Souissi [42], Debande [43]) thường đòi hỏi sự hiểu biết sâu về đặc tính tín hiệu và nhiễu, hoặc phức tạp trong việc xác định tham số. "Tuy nhiên, hầu hết chúng đều dựa trên sự hiểu biết về tín hiệu và nhiễu, cũng như gặp khó khăn trong việc xây dựng các tham số cho bộ lọc hay biến đổi Wavelet." (trang 7). Hơn nữa, các phương pháp lựa chọn Points of Interest (POIs) cho PA (CPA [49], DoM [5], SOSD [50], SNR [26] [51], SOST [50], PCA [52] [53], NB [47]) chưa đánh giá hiệu quả trong điều kiện vết có nhiễu, thiếu cơ chế xếp hạng độ quan trọng của POIs, và chưa xem xét sự phù hợp với thuật toán học máy được sử dụng (trang 9).
  2. Đối với tấn công trên thiết bị có phòng vệ bằng mặt nạ: Việc xác định các POIs trên thiết bị mặt nạ là thách thức do chúng xuất hiện rời rạc và không rõ ràng tùy thuộc vào mức độ cài đặt mặt nạ (trang 10, [30] [32]). Mặc dù các mô hình học sâu như Mạng nơ-ron tích chập (CNN) và Mạng perceptron đa lớp (MLP) đã được áp dụng (Maghrebi et al. [30], Cagli et al. [31], Prouff et al. [32], Zaid et al. [33]), nhưng "kiến trúc mạng học sâu sử dụng vẫn còn phức tạp và việc lựa chọn các kiến trúc, tham số mạng học sâu để mô hình hóa điện năng tiêu thụ của thiết bị vẫn còn là thách thức." (trang 10). Các kiến trúc trước đây thường được kế thừa từ lĩnh vực xử lý ảnh hoặc thiếu cơ sở lý luận vững chắc dựa trên đặc điểm POIs của thiết bị mật mã.

Research questions và hypotheses (đánh số cụ thể):

  1. Làm thế nào để giảm nhiễu và trích chọn thông tin có ích từ vết điện năng tiêu thụ nhằm nâng cao hiệu quả tấn công không bản mẫu trên thiết bị không có phòng vệ?
    • Hypothesis 1.1: Kỹ thuật phân tích mode biến phân (Variational Mode Decomposition - VMD) có thể giảm nhiễu hiệu quả và trích xuất VMD mode chứa rò rỉ kênh kề tối đa, từ đó cải thiện đáng kể hiệu quả tấn công tương quan (CPA).
  2. Làm thế nào để xây dựng một phương pháp lựa chọn POIs hiệu quả, hoạt động tốt với vết có nhiễu và phù hợp với mô hình học máy, nhằm nâng cao độ chính xác của tấn công mẫu trên thiết bị không có phòng vệ?
    • Hypothesis 2.1: Phương pháp lựa chọn POIs kết hợp VMD, trực giao hóa Gram-Schmidt (GSO) và Máy véc-tơ hỗ trợ (SVM) có thể chọn lọc các đặc trưng tốt nhất, giảm ảnh hưởng của nhiễu, và tối ưu hóa hiệu quả tấn công mẫu dựa trên SVM.
  3. Làm thế nào để xây dựng một kiến trúc mạng nơ-ron tích chập (CNN) phù hợp và tối ưu cho bài toán tấn công mẫu trên thiết bị có phòng vệ bằng mặt nạ, khắc phục hạn chế của các kiến trúc hiện có?
    • Hypothesis 3.1: Một kiến trúc CNN (CNNd) được thiết kế dựa trên đặc điểm POIs của thiết bị mặt nạ và tối ưu tham số bằng thuật toán Grey Wolf Optimizer (GWO) có thể tự động học các POIs, tạo đặc trưng kết hợp và đạt hiệu quả tấn công vượt trội so với các phương pháp hiện hành.

Theoretical framework với tên theories cụ thể:

Luận án này tích hợp một khung lý thuyết đa ngành, bao gồm:

  • Lý thuyết Thông tin và Thám mã: Dựa trên nguyên lý Kerckhoffs (1883), tấn công kênh kề khai thác thông tin rò rỉ vật lý để tìm khóa bí mật. Hiệu quả được định lượng bằng Lượng thông tin ước đoán (Guessing Entropy - GE) của Standaert, Malkin và Yung (2009) [67], và nguyên tắc ước lượng hợp lý lớn nhất (Maximum Likelihood Principle - MLP).
  • Xử lý tín hiệu: Kỹ thuật Phân tích mode biến phân (Variational Mode Decomposition - VMD) của Dragomiretskiy và Zosso (2014) [46] là nền tảng cho việc giảm nhiễu và trích chọn thông tin hữu ích từ vết điện năng tiêu thụ. Nó dựa trên việc tối ưu bài toán biến phân để phân tách tín hiệu thành các mode băng hẹp. Phép biến đổi Fourier (FFT) được sử dụng để phân tích phổ tần số.
  • Lý thuyết Tối ưu hóa: Thuật toán Trực giao hóa Gram-Schmidt (GSO) được sử dụng để xếp hạng và lựa chọn POIs dựa trên mức độ tương quan và trực giao với nhãn dữ liệu. Thuật toán Grey Wolf Optimizer (GWO) của Mirjalili (2014) [80] là một thuật toán tối ưu dựa trên trí tuệ bày đàn, được áp dụng để tối ưu hóa các tham số kiến trúc của mạng CNN.
  • Học máy và Học sâu:
    • Máy véc-tơ hỗ trợ (Support Vector Machine - SVM) [12] [7] [47]: Một thuật toán học có giám sát mạnh mẽ cho bài toán phân loại và hồi quy, được sử dụng để xây dựng mô hình điện năng tiêu thụ trong tấn công mẫu, đặc biệt hiệu quả trong các trường hợp phân bố xác suất không biết trước.
    • Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) [30] [31] [32] [33]: Một lớp mạng học sâu chuyên biệt để xử lý dữ liệu có cấu trúc lưới như hình ảnh hoặc tín hiệu thời gian. Trong luận án, CNN được thiết kế để tự động phát hiện POIs, tạo đặc trưng kết hợp và phân lớp vết điện năng tiêu thụ từ thiết bị có phòng vệ. Các hàm kích hoạt (ví dụ: SeLU [84], Softmax) và các phương pháp khởi tạo trọng số (He Uniform [85]) đóng vai trò quan trọng.

Đóng góp đột phá với quantified impact:

  1. VMD-CPA (Tấn công không bản mẫu hiệu quả): "giảm số lượng vết điện năng tiêu thụ cần thiết để khôi phục khóa đúng khoảng 25% so với tấn công CPA truyền thống. VMD-CPA đặc biệt hiệu quả trong các kịch bản tấn công thực tế khi các vết điện năng tiêu thụ chứa nhiễu, số lượng vết điện năng tiêu thụ giảm hơn 50%." (trang 110, Bảng 2.4).
  2. VMD-GSO-SVM (Tấn công mẫu hiệu quả với lựa chọn POIs tối ưu): "Hiệu quả của phương pháp tốt hơn các phương pháp tấn công mẫu sử dụng SVM với các phương pháp lựa chọn POIs là dựa trên phân tích tương quan và chuẩn hóa được thể hiện ở số lượng vết điện năng tiêu thụ để GE=0 giảm cỡ khoảng 40%, nó cũng đặc biệt hiệu quả trong trường hợp các vết điện năng tiêu thụ có nhiễu khi số lượng vết giảm 60%." (trang 110, Bảng 2.10, Bảng 2.11).
  3. CNN-D (Tấn công mẫu dựa trên học sâu cho thiết bị có phòng vệ): "số lượng vết điện năng tiêu thụ cần thiết để GE=0 giảm cỡ 23% so với kết quả được xem là tốt nhất tại thời điểm tham chiếu [Zaid (33)] (từ 191 vết xuống 146 vết)." (trang 110, Bảng 3.5).
  4. Khung tích hợp đa kỹ thuật: Luận án chứng minh một cách tiếp cận toàn diện, tích hợp xử lý tín hiệu tiên tiến (VMD), kỹ thuật lựa chọn đặc trưng (GSO), học máy (SVM), học sâu (CNN), và tối ưu hóa (GWO) vào quy trình tấn công kênh kề. Điều này mở ra một hướng nghiên cứu mới cho việc thiết kế các cuộc tấn công hiệu quả và các biện pháp phòng vệ mạnh mẽ hơn.

Scope (sample size, timeframe) và significance:

  • Phạm vi:
    • Thuật toán: Tập trung vào thuật toán mã hóa đối xứng AES-128 do tính phổ biến và ứng dụng rộng rãi trong các lĩnh vực kinh tế - xã hội.
    • Thiết bị: Triển khai trên vi điều khiển ATmega8515 được đóng gói dưới dạng thẻ thông minh, một loại thiết bị phổ biến trong thực tế và phù hợp với tấn công phân tích điện năng tiêu thụ. Việc tấn công được thực hiện theo từng byte khóa.
    • Dữ liệu: Sử dụng bộ dữ liệu ACT-TRACES (50,000 vết), DPA-V4 (100,000 vết) và ASCAD (60,000 vết) để huấn luyện và kiểm định các phương pháp.
    • Kịch bản: Các kịch bản tấn công được thực hiện trong môi trường phòng thí nghiệm với khả năng kiểm soát thiết bị, và trong trường hợp tấn công mẫu, cần có thiết bị mẫu (bản sao) để xây dựng mô hình điện năng tiêu thụ.
  • Ý nghĩa:
    • Khoa học: Đóng góp vào việc mở rộng lý thuyết về tấn công kênh kề bằng cách đề xuất các phương pháp mới cho tiền xử lý vết, lựa chọn POIs, và thiết kế kiến trúc học sâu chuyên biệt. Kiểm chứng khả năng áp dụng VMD và các thuật toán tối ưu/học máy/học sâu trong SCA.
    • Thực tiễn: Cung cấp các phương pháp tấn công hiệu quả, giảm chi phí về thời gian và tài nguyên để khôi phục khóa đúng, đặc biệt trong điều kiện vết có nhiễu, giúp đánh giá độ an toàn của thiết bị mật mã một cách chính xác hơn. Các phương pháp đề xuất có khả năng áp dụng trong thực tế.

Literature Review và Positioning

Luận án này được đặt trong bối cảnh rộng lớn của thám mã, cụ thể là tấn công kênh kề (Side-Channel Attack - SCA), một lĩnh vực phát triển mạnh mẽ từ khi Kocher công bố DPA vào năm 1999 [3]. SCA khai thác thông tin vật lý rò rỉ (như điện năng tiêu thụ, bức xạ điện từ) trong quá trình thiết bị thực thi các thuật toán mật mã để tìm khóa bí mật. Các dạng chính của tấn công SCA bao gồm DPA [3], CPA [4], tấn công mẫu (PA) [5] và các biến thể sử dụng học máy, học sâu [6]–[15].

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể:

  • Tấn công không bản mẫu (NPA): DPA của Kocher et al. (1999) [3] và CPA của Brier et al. (2004) [4] là hai phương pháp cơ bản, dựa trên phân tích thống kê mối tương quan giữa điện năng tiêu thụ giả định (dựa trên mô hình leakage) và thực tế. Các phương pháp này hiệu quả nhưng dễ bị ảnh hưởng bởi nhiễu.
  • Giảm nhiễu cho vết điện năng tiêu thụ:
    • Lấy trung bình vết: Kocher (1999) [3] sử dụng để giảm nhiễu.
    • Bộ lọc tuyến tính: Oswald và Parr (2012) [37], Bargenghi (2011) [38] sử dụng biến đổi Fourier. Souissi et al. (2010) [39] [40] sử dụng bộ lọc Kalman.
    • Biến đổi Wavelet: Charvet (2005) [41], Souissi (2011) [42], Debande (2012) [43], Park (2012) [44], Liu (2014) [45] sử dụng để phân tách tín hiệu và loại bỏ nhiễu.
  • Tấn công mẫu (PA): Chari et al. (2002) [5] giới thiệu PA, dựa trên việc xây dựng mô hình điện năng tiêu thụ từ thiết bị mẫu. Các biến thể hiện đại sử dụng thuật toán học máy như SVM (Verbauwhede [6], Zohner [7], Lemke-Rust [47]), rừng ngẫu nhiên (Wurcke [8], Batina [15]), k-Nearest Neighbor (Martinasek [14]), cây quyết định (Zohner [12]).
  • Lựa chọn POIs: Các phương pháp phổ biến bao gồm lọc dựa trên ước lượng tín hiệu (DoM [5], CPA [49], SOSD [50], SNR [26] [51], SOST [50]), giảm chiều dữ liệu (PCA [52] [53]), và phương pháp dựa trên trọng số (NB [47]).
  • Tấn công thiết bị có phòng vệ (Masking): Các kỹ thuật ẩn và mặt nạ (Mangard et al., 2007 [26]) được phát triển để chống SCA. Tuy nhiên, các tấn công bậc cao (HO-DPA) [8] [27] [28] [29] hoặc tấn công dựa trên học sâu [30] [31] [32] [33] vẫn có thể phá vỡ chúng.
  • Học sâu trong SCA: Maghrebi et al. (2015) [30], Cagli et al. (2017) [31], Prouff et al. (2018) [32], Zaid et al. (2019) [33] đã chứng minh hiệu quả của CNN và MLP trong tấn công mẫu lên thiết bị có phòng vệ. Prouff et al. (2018) [32] cũng giới thiệu bộ dữ liệu ASCAD để chuẩn hóa việc so sánh.

Contradictions/debates với ít nhất 2 opposing views:

  • Hiệu quả của PCA trong lựa chọn POIs: Mặc dù PCA [52] [53] được đề xuất để giảm chiều dữ liệu, "tuy nhiên hiệu quả của PCA đối với bài toán tấn công phân tích điện năng tiêu thụ vẫn chưa được khẳng định tính hiệu quả [30]." (trang 9). Điều này mâu thuẫn với quan điểm ban đầu về khả năng giảm nhiễu và trích đặc trưng của PCA.
  • Thiết kế kiến trúc CNN cho SCA: Prouff et al. (2018) [32] áp dụng kiến trúc CNN dựa trên VGG16 từ xử lý ảnh, với nhiều tầng tích chập và filter lớn (ví dụ: 5 tầng CONV, 64-512 filter, kích thước bộ lọc 11). Ngược lại, Zaid et al. (2019) [33] lập luận rằng nhiều tầng tích chập hay nhân tích chập lớn có thể làm giảm khả năng học POIs do thông tin bị trải rộng, và đề xuất kiến trúc nông hơn với nhân tích chập nhỏ hơn (1 tầng CONV, kích thước kernel 1). Luận án này giải quyết sự mâu thuẫn bằng cách đề xuất kiến trúc CNNd dựa trên đặc điểm POIs của thiết bị mặt nạ, kết hợp chỉ 2 tầng tích chập với nhân co giãn và mô-đun HO-SCA để tạo đặc trưng kết hợp, đồng thời tối ưu tham số bằng GWO, cho thấy một hướng đi mới cân bằng giữa hai quan điểm này (trang 100).

Positioning trong literature với specific gap identified:

Luận án này định vị mình là một nghiên cứu đột phá trong lĩnh vực SCA bằng cách chủ động giải quyết các hạn chế của các phương pháp hiện tại thông qua việc tích hợp các kỹ thuật mới. Cụ thể, luận án điền vào các khoảng trống sau:

  • Khoảng trống 1: Xử lý nhiễu và trích chọn thông tin cho NPA/PA không phòng vệ: Thay vì các phương pháp dựa trên kiến thức tín hiệu hoặc phức tạp trong tham số, luận án đề xuất VMD, một kỹ thuật phân tích tín hiệu mới nổi có khả năng tự giảm nhiễu và phân tách tín hiệu hiệu quả (Dragomiretskiy và Zosso, 2014 [46]), tạo ra phương pháp VMD-CPA.
  • Khoảng trống 2: Lựa chọn POIs trong PA không phòng vệ: Luận án phát triển VMD-GSO-SVM, một phương pháp lựa chọn POIs tích hợp đầu tiên có khả năng vừa giảm nhiễu (VMD), vừa xếp hạng POIs theo độ quan trọng (GSO), vừa tối ưu sự phù hợp với mô hình học máy (SVM), khắc phục điểm yếu của các phương pháp trước đó trong việc chống nhiễu và tối ưu hóa tính năng.
  • Khoảng trống 3: Kiến trúc học sâu cho PA có phòng vệ: Thay vì các kiến trúc CNN phức tạp hoặc không có cơ sở lý luận vững chắc, luận án đề xuất CNNd với kiến trúc được thiết kế riêng dựa trên đặc điểm của POIs trong thiết bị mặt nạ (dải POIs riêng biệt, nhu cầu tạo đặc trưng kết hợp), cùng với việc tối ưu tham số bằng GWO, mang lại một phương pháp tiếp cận có hệ thống hơn và hiệu quả hơn.

How this advances field với concrete contributions:

Luận án này tiến bộ lĩnh vực SCA bằng cách:

  • Đưa ra các công cụ mới: Giới thiệu VMD như một công cụ tiền xử lý hiệu quả cho vết điện năng tiêu thụ, vượt trội so với các phương pháp giảm nhiễu truyền thống.
  • Phát triển quy trình tấn công cải tiến: Thiết lập các quy trình VMD-CPA, VMD-GSO-SVM và CNN-D, cải thiện đáng kể hiệu quả tấn công trên nhiều kịch bản.
  • Tối ưu hóa kiến trúc học sâu: Đề xuất một kiến trúc CNN (CNNd) được thiết kế có mục đích và tối ưu hóa tham số cho tấn công thiết bị có phòng vệ, đặt nền móng cho việc thiết kế các mô hình học sâu chuyên biệt trong SCA.
  • Cung cấp bằng chứng thực nghiệm mạnh mẽ: Tất cả các đóng góp đều được kiểm chứng bằng thực nghiệm trên các bộ dữ liệu công khai (DPA-V4, ASCAD) và dữ liệu thực tế (ACT-TRACES), với các chỉ số hiệu suất được định lượng rõ ràng (GE, số vết cần thiết, độ chính xác).

So sánh với ÍT NHẤT 2 international studies:

  1. So sánh với CPA truyền thống (Brier et al. [4]): Luận án chỉ ra rằng VMD-CPA giảm số vết điện năng tiêu thụ cần thiết để khôi phục khóa đúng khoảng 25% so với CPA truyền thống trên vết gốc, và hơn 50% trong trường hợp vết có nhiễu lớn (Bảng 2.4, trang 60). Đặc biệt, khi SNR = 5dB, CPA truyền thống "không thể tìm được khóa bởi hệ số tương quan của khóa đúng và sai không thể phân biệt được", trong khi VMD-CPA vẫn thành công (Hình 2.12, trang 59).
  2. So sánh với tấn công mẫu dựa trên SVM với lựa chọn POIs khác (CPA-SVM [7], NB-SVM [47]): VMD-GSO-SVM của luận án giảm số vết để GE=0 khoảng 40-45% trong điều kiện bình thường và 60-70% trong điều kiện có nhiễu so với CPA-SVM và NB-SVM (Bảng 2.10, Bảng 2.11, trang 77-80). Điều này khẳng định ưu việt của phương pháp lựa chọn POIs kết hợp VMD, GSO, SVM.
  3. So sánh với tấn công học sâu trên thiết bị mặt nạ (Zaid [33], Prouff [32]): Phương pháp CNN-D của luận án sử dụng kiến trúc CNNd giảm số vết điện năng tiêu thụ cần thiết để GE=0 khoảng 23% (từ 191 xuống 146 vết) so với kết quả tốt nhất của Zaid (2019) [33] trên bộ dữ liệu ASCAD (Bảng 3.5, trang 108). Độ chính xác phân lớp của CNNd cũng cao hơn CNN của Prouff [32] và Zaid [33] trên cùng bộ dữ liệu huấn luyện (Hình 3.8, trang 106), chứng minh hiệu quả của kiến trúc được thiết kế dựa trên đặc điểm POIs và tối ưu bằng GWO.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đưa ra những đóng góp lý thuyết đáng kể, thách thức và mở rộng các lý thuyết hiện có trong lĩnh vực thám mã và xử lý tín hiệu:

  • Extend/challenge WHICH specific theories (name theorists):

    • Lý thuyết tấn công kênh kề (Kocher, Brier, Chari): Luận án mở rộng lý thuyết về hiệu quả tấn công kênh kề bằng cách chứng minh rằng việc tích hợp xử lý tín hiệu tiên tiến (VMD) và tối ưu hóa đặc trưng (GSO) có thể vượt qua giới hạn của các phương pháp truyền thống như DPA/CPA [3] [4] trong môi trường nhiễu. Nó thách thức giả định rằng hiệu quả tấn công chủ yếu phụ thuộc vào mô hình rò rỉ hoặc số lượng vết.
    • Lý thuyết xử lý tín hiệu (Dragomiretskiy và Zosso): Luận án ứng dụng và chứng minh khả năng của Variational Mode Decomposition (VMD) (Dragomiretskiy và Zosso, 2014 [46]) không chỉ trong việc phân tích tín hiệu mà còn trong vai trò giảm nhiễu và trích xuất thông tin hữu ích một cách tự động từ các vết điện năng tiêu thụ, một ứng dụng mới và hiệu quả trong ngữ cảnh SCA.
    • Lý thuyết lựa chọn đặc trưng và học máy (Gram-Schmidt, SVM): Bằng cách kết hợp Gram-Schmidt Orthogonalization (GSO) và SVM với VMD, luận án đưa ra một phương pháp lựa chọn POIs (VMD-GSO-SVM) vượt trội, không chỉ dựa trên tương quan đơn thuần mà còn trên cơ sở trực giao và khả năng phân loại của SVM, mở rộng lý thuyết về kỹ thuật tiền xử lý dữ liệu cho học máy trong môi trường dữ liệu kênh kề.
    • Lý thuyết học sâu cho bảo mật (Prouff, Zaid): Luận án thách thức các kiến trúc CNN được kế thừa từ xử lý ảnh ([32]) hoặc các phương pháp lựa chọn kiến trúc không có căn cứ rõ ràng ([33]) bằng cách đề xuất kiến trúc CNNd được thiết kế dựa trên đặc điểm POIs cụ thể của thiết bị có phòng vệ và tối ưu bằng Grey Wolf Optimizer (GWO) (Mirjalili, 2014 [80]), cung cấp một khung lý thuyết mạnh mẽ hơn cho việc xây dựng mô hình học sâu trong SCA.

  • Conceptual framework với components và relationships: Luận án xây dựng một khung phân tích ba tầng:

    1. Tầng tiền xử lý và giảm nhiễu: Sử dụng VMD để phân tách vết điện năng tiêu thụ thành các VMD mode băng hẹp. Các VMD mode này được xem là các thành phần tín hiệu đã được giảm nhiễu và chứa thông tin hữu ích (trang 43-47).
    2. Tầng lựa chọn/kỹ thuật đặc trưng:
      • Đối với NPA: Lựa chọn VMD mode chứa tần số clock của mạch tấn công (VMD-CPA) (trang 46-47).
      • Đối với PA: Kết hợp VMD (giảm nhiễu), GSO (xếp hạng POIs theo mức độ độc lập/tương quan với nhãn) và SVM (lựa chọn số lượng POIs tối ưu dựa trên độ chính xác phân loại) để chọn ra các POIs quan trọng nhất (trang 62-67).
      • Đối với thiết bị có phòng vệ: Thiết kế kiến trúc CNNd với các tầng tích chập có khả năng tự động phát hiện các POIs riêng lẻ và tạo ra các đặc trưng kết hợp (tích hoặc hiệu) giữa các POIs (trang 92-95), cùng với mô-đun HO-SCA.
    3. Tầng mô hình hóa và khôi phục khóa:
      • Đối với NPA: Sử dụng phương pháp tương quan Pearson trên các vết đã qua tiền xử lý (VMD-CPA) (trang 51).
      • Đối với PA: Sử dụng SVM hoặc CNNd để xây dựng mô hình điện năng tiêu thụ (phân loại vết theo trọng số Hamming của giá trị trung gian hoặc giá trị lối ra Sbox) (trang 67-69, 101-104).
      • Cuối cùng, áp dụng nguyên tắc ước lượng hợp lý lớn nhất (Maximum Likelihood Principle - MLP) để xác định khóa đúng (trang 68-69, 103).

  • Theoretical model với propositions/hypotheses numbered: (đã trình bày ở phần tổng quan)

  • Paradigm shift với EVIDENCE từ findings: Luận án gợi mở một sự chuyển dịch paradigm từ các phương pháp SCA truyền thống (dựa trên mô hình leakage tĩnh và phân tích thống kê trực tiếp) sang một cách tiếp cận "tấn công thông minh" sử dụng xử lý tín hiệu động và học máy/học sâu để tự động khám phá và khai thác rò rỉ.

    • Evidence: "VMD-CPA có thể khôi phục được khóa đúng còn CPA không thể khôi phục khóa đúng... trong trường hợp vết điện năng tiêu thụ có nhiễu lớn" (trang 11). Điều này cho thấy sự vượt trội của phương pháp động trong điều kiện thực tế.
    • Evidence: "Các mô hình học sâu có thể giải quyết được bài toán xây dựng mô hình điện năng tiêu thụ từ các vết điện năng tiêu thụ gốc mà không cần sử dụng kỹ thuật lựa chọn POIs thủ công." (trang 83). Điều này thay đổi quan điểm về việc cần kiến thức sâu về vị trí POIs trước khi tấn công.

Khung phân tích độc đáo

Luận án này giới thiệu một khung phân tích độc đáo, nổi bật bởi sự tích hợp sâu rộng các kỹ thuật hiện đại.

  • Integration của theories (name 3+ specific theories):

    • VMD (Dragomiretskiy và Zosso [46]) kết hợp với lý thuyết tương quan Pearson cho VMD-CPA.
    • VMD (Dragomiretskiy và Zosso [46]) kết hợp với Gram-Schmidt Orthogonalization (GSO) và Support Vector Machine (SVM) trong phương pháp lựa chọn POIs VMD-GSO-SVM.
    • Mạng nơ-ron tích chập (CNN) kết hợp với Grey Wolf Optimizer (GWO) (Mirjalili, 2014 [80]) để thiết kế và tối ưu kiến trúc CNNd cho thiết bị có mặt nạ.
    • Tất cả các phương pháp đều dựa trên nguyên tắc của thám mã và lý thuyết thông tin (Guessing Entropy) để định lượng hiệu quả.

  • Novel analytical approach với justification:

    • VMD-based pre-processing: Đây là cách tiếp cận mới trong SCA. VMD phân tách tín hiệu thành các "VMD mode" băng hẹp, "có thể biểu diễn chính xác các thành phần khác nhau của tín hiệu ở những dải tần số khác nhau" (trang 7). Điều này cho phép loại bỏ nhiễu và trích chọn mode chứa thông tin mật mã tối đa, điều mà các bộ lọc truyền thống khó đạt được mà không cần biết trước đặc tính nhiễu.
    • Hybrid POI selection (VMD-GSO-SVM): Phương pháp này độc đáo ở chỗ tích hợp ba kỹ thuật khác nhau một cách có hệ thống: VMD để lọc nhiễu, GSO để xếp hạng các điểm còn lại trên VMD mode theo độ quan trọng (dựa trên tính trực giao với nhãn), và SVM để quyết định số lượng POI tối ưu dựa trên hiệu suất phân lớp (trang 64-67). Cách tiếp cận này đảm bảo POIs được chọn vừa "sạch" (ít nhiễu), vừa "có ý nghĩa" (tương quan cao với nhãn), và "phù hợp" với mô hình học máy được sử dụng sau đó.
    • Data-driven CNN architecture for masked devices: Thay vì điều chỉnh các kiến trúc CNN hiện có, luận án đề xuất CNNd với các tầng tích chập được thiết kế đặc biệt để phát hiện dải POIs riêng biệt và tạo ra các đặc trưng kết hợp (hàm tích/hiệu) giữa chúng, điều cần thiết cho tấn công thiết bị mặt nạ (trang 92-95). Việc tối ưu hóa tham số bằng GWO đảm bảo kiến trúc tối ưu cho bài toán cụ thể này.

  • Conceptual contributions với definitions:

    • "VMD mode chứa thông tin có ích": Một VMD mode được chọn từ việc phân tách vết điện năng tiêu thụ, chứa tần số clock hoạt động của phần mạch điện xử lý mật mã, đại diện cho phần rò rỉ kênh kề tối đa (trang 46-47).
    • "POIs kết hợp": Các đặc trưng tổng hợp từ nhiều POIs riêng lẻ (ví dụ: hàm tích hoặc hiệu), được tạo ra nhằm khai thác sự phụ thuộc vào giá trị trung gian tấn công trên thiết bị có phòng vệ (trang 89, 93-94). Mô-đun HO-SCA được đề xuất để tạo ra các đặc trưng này (trang 95).

  • Boundary conditions explicitly stated:

    • Các tấn công được thực hiện đối với thuật toán AES-128.
    • Thiết bị mục tiêu là vi điều khiển ATmega8515 đóng gói dưới dạng thẻ thông minh.
    • Các kịch bản tấn công được thực hiện trong môi trường phòng thí nghiệm với khả năng kiểm soát thiết bị và đo lường (trang 10).
    • Tấn công mẫu yêu cầu có thiết bị mẫu là bản sao của thiết bị cần tấn công (trang 10).
    • Hiệu quả so sánh giữa các phương pháp được thực hiện "trên cùng một thiết bị và hệ thống đo và không so sánh với cùng phương pháp đó nhưng được thực hiện ở những môi trường và điều kiện khác" (trang 10).
    • Hạn chế về chi phí tính toán của VMD được acknowledged nhưng không đi sâu phân tích (trang 61, 80).

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu thực nghiệm và định lượng cao, tích hợp các kỹ thuật tiên tiến từ xử lý tín hiệu, học máy, học sâu và tối ưu hóa để giải quyết các thách thức trong tấn công phân tích điện năng tiêu thụ.

Thiết kế nghiên cứu

  • Research philosophy: Luận án chủ yếu tuân theo triết lý Post-positivism. Nó tìm kiếm sự hiểu biết về hiệu quả tấn công SCA thông qua các bằng chứng thực nghiệm và dữ liệu định lượng, sử dụng các mô hình thống kê và học máy để kiểm định các giả thuyết. Mặc dù hướng tới các kết luận có thể tổng quát hóa, luận án cũng thừa nhận sự tồn tại của nhiễu và tính không hoàn hảo của đo lường, dẫn đến các kết quả có tính xác suất (ví dụ: Guessing Entropy).
  • Mixed methods với SPECIFIC combination rationale: Mặc dù không phải "mixed methods" theo nghĩa truyền thống (ví dụ: kết hợp định tính và định lượng), phương pháp luận của luận án là sự kết hợp đa kỹ thuật mạnh mẽ:
    • Kỹ thuật xử lý tín hiệu (VMD, FFT): Để tiền xử lý, giảm nhiễu và trích xuất thông tin hữu ích từ vết điện năng tiêu thụ, tạo ra đầu vào sạch hơn và có ý nghĩa hơn cho các bước phân tích tiếp theo.
    • Kỹ thuật tối ưu hóa (GSO, GWO): Để lựa chọn đặc trưng một cách thông minh (GSO xếp hạng POIs) và để tinh chỉnh tham số của mô hình học sâu một cách tự động (GWO tối ưu kiến trúc CNN), tránh việc lựa chọn thủ công hoặc dựa trên kinh nghiệm.
    • Kỹ thuật học máy/học sâu (SVM, CNN): Để xây dựng mô hình rò rỉ điện năng tiêu thụ, phân loại vết và ước lượng khóa bí mật, tận dụng khả năng học từ dữ liệu mà không cần giả định phân bố xác suất cụ thể.
    • Rationale: Sự kết hợp này nhằm khắc phục các hạn chế của từng kỹ thuật riêng lẻ: VMD giải quyết vấn đề nhiễu, GSO/GWO giải quyết vấn đề lựa chọn và tối ưu tham số phức tạp, và SVM/CNN giải quyết vấn đề xây dựng mô hình mạnh mẽ từ dữ liệu kênh kề.
  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu không theo dạng đa cấp lồng ghép dữ liệu mà theo cấu trúc quy trình tấn công nhiều giai đoạn (multi-stage attack pipeline):
    • Level 1: Tiền xử lý vết: Áp dụng VMD để chuyển vết điện năng thô thành các VMD mode đã giảm nhiễu (trang 43).
    • Level 2: Kỹ thuật đặc trưng/Lựa chọn POIs:
      • Cho NPA: Lựa chọn VMD mode phù hợp nhất.
      • Cho PA không phòng vệ: Kết hợp VMD, GSO, SVM để chọn lọc POIs (trang 64).
      • Cho PA có phòng vệ: Tầng tích chập của CNNd tự động học POIs và HO-SCA module tạo đặc trưng kết hợp (trang 92-95).
    • Level 3: Xây dựng mô hình/Phân loại: Huấn luyện SVM hoặc CNNd để xây dựng mô hình rò rỉ và phân loại vết (trang 67-69, 101-104).
    • Level 4: Khôi phục khóa: Áp dụng nguyên tắc ước lượng hợp lý lớn nhất để xác định khóa đúng từ kết quả phân loại (trang 68-69, 103).
  • Sample size và selection criteria EXACT:
    • ACT-TRACES: Bộ dữ liệu bao gồm 50,000 bản rõ và tương ứng 50,000 vết điện năng tiêu thụ, mỗi vết có độ dài 85,000 mẫu. Khóa bí mật: "63 28 119 197 168 110 90 241 25 164 7 63 81 253 174 167" (trang 36).
    • DPA-V4: Bộ dữ liệu vết điện năng tiêu thụ từ cuộc thi DPAcontest v4, với 100,000 vết.
    • ASCAD: Bộ dữ liệu công khai từ https://github.com/ANSSI-FR/ASCAD, với tổng số 60,000 vết (50,000 vết huấn luyện, 10,000 vết kiểm tra), mỗi vết dài 700 mẫu.
    • Tiêu chí chọn mẫu: Các vết được thu thập từ thiết bị mật mã ATmega8515 thực thi AES-128 ở chế độ ECB, với bản rõ được sinh ngẫu nhiên (trang 10, 33). Đối với tấn công mẫu, các vết được gán nhãn theo trọng số Hamming (HW) của lối ra Sbox (trang 67).

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:
    • Mặc dù các bộ dữ liệu được sử dụng là có sẵn (ACT-TRACES, DPA-V4, ASCAD), các thí nghiệm được thực hiện bằng cách lấy ngẫu nhiên các tập con từ chúng để đảm bảo tính ngẫu nhiên của các vết tấn công.
    • Ví dụ, đối với VMD-CPA, 300 vết được chọn cho kiểm chứng ban đầu, sau đó 1 đến 1000 vết được sử dụng để so sánh hiệu quả (trang 52, 58).
    • Đối với VMD-GSO-SVM, các tập con được lựa chọn với 100 hoặc 200 vết/lớp HW để lập mẫu, với tỷ lệ 2/3 cho huấn luyện và 1/3 cho tấn công (trang 73).
    • Tiêu chí bao gồm: vết phải đến từ thiết bị thực thi AES-128, tương ứng với bản rõ ngẫu nhiên, và có thể gán nhãn HW cho tấn công mẫu.
  • Data collection protocols với instruments described:
    • Hệ thống phần cứng: Bộ thu thập vết Sakura G/W [70], thẻ thông minh Atmega8515 (Bảng 1.1, trang 33-34).
    • Thiết bị đo: Máy hiện sóng số Tektronix DPO3052, với "Băng thông 500 Mhz, Số kênh 02, Tần số lấy mẫu tối đa 2,5 Ghz, Số mẫu tối đa/tín hiệu đo 5.000, Chế độ Trigger Tự động, hay thủ công, Giao diện kết nối USB" (Bảng 1.2, trang 35). Điện năng tiêu thụ được đo thông qua điện áp trên một điện trở nhỏ (10-50 Ohm) mắc giữa thiết bị mật mã và chân đất (GND) (trang 15, Hình 1.5).
    • Phần mềm: Phần mềm DPA-M được xây dựng để điều khiển thẻ thông minh, máy hiện sóng và lưu trữ vết (trang 35, Hình 1.12, Hình 1.13).
  • Triangulation (data/method/investigator/theory):
    • Triangulation dữ liệu: Các phương pháp tấn công được kiểm chứng trên nhiều bộ dữ liệu khác nhau: ACT-TRACES (dữ liệu thực tế của luận án), DPA-V4, và ASCAD (các bộ dữ liệu công khai, quốc tế). Điều này tăng cường tính tổng quát của kết quả.
    • Triangulation phương pháp: Hiệu quả của các phương pháp đề xuất được so sánh một cách nghiêm ngặt với các phương pháp tấn công tiêu chuẩn hoặc tiên tiến khác trong cùng điều kiện thực nghiệm (VMD-CPA vs CPA; VMD-GSO-SVM vs CPA-SVM, NB-SVM; CNNd vs CNNb [32], CNNz [33]).
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Đảm bảo rằng các khái niệm lý thuyết (như "rò rỉ điện năng tiêu thụ", "POIs", "Guessing Entropy") được đo lường chính xác bằng các chỉ số thực nghiệm phù hợp. Mô hình trọng số Hamming (HW) được sử dụng rộng rãi và được chấp nhận làm mô hình leakage (trang 22).
    • Internal Validity: Được tăng cường thông qua các thí nghiệm có kiểm soát, nơi các biến độc lập (phương pháp tấn công, mức nhiễu) được thay đổi trong khi các biến khác được giữ cố định (thiết bị, dữ liệu, môi trường đo). Các so sánh được thực hiện trên cùng một nền tảng để giảm thiểu các yếu tố gây nhiễu.
    • External Validity: Được xem xét thông qua việc kiểm định trên nhiều bộ dữ liệu (ACT-TRACES, DPA-V4, ASCAD), và thảo luận về các điều kiện tổng quát hóa.
    • Reliability: Các kết quả được đánh giá bằng các chỉ số định lượng như Guessing Entropy (GE), hệ số tương quan Pearson, độ chính xác phân loại (Precision, Recall, F1-score), và khả năng khôi phục khóa đúng. Các phép kiểm tra độ bền (robustness checks) với các mức nhiễu khác nhau cũng góp phần đánh giá độ tin cậy của phương pháp. Giá trị alpha không được báo cáo trực tiếp trong ngữ cảnh của độ tin cậy nội bộ của thang đo, nhưng các giá trị như độ chính xác SVM trên 80% (Bảng 2.9, trang 73) và MSE thấp (Bảng 2.1, trang 44) cung cấp bằng chứng về sự nhất quán.

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Dữ liệu được thu thập từ thiết bị mật mã ATmega8515 (vi điều khiển 8-bit), thực thi thuật toán AES-128 ở chế độ ECB (trang 10, 33).
    • Bộ dữ liệu ACT-TRACES có 50,000 vết, mỗi vết 85,000 mẫu.
    • Bộ dữ liệu ASCAD có 60,000 vết, mỗi vết 700 mẫu.
    • Các vết điện năng tiêu thụ là tín hiệu rời rạc theo thời gian, được mô tả là điện áp đo được (trang 15).
    • Thông tin nhân khẩu học của "mẫu" (thiết bị) là cụ thể về phần cứng và phần mềm cài đặt.
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Xử lý tín hiệu: Variational Mode Decomposition (VMD) (Dragomiretskiy và Zosso, 2014 [46]), Fast Fourier Transform (FFT) để phân tích phổ.
    • Lựa chọn đặc trưng/Tối ưu hóa: Gram-Schmidt Orthogonalization (GSO) (trang 65), Grey Wolf Optimizer (GWO) (Mirjalili, 2014 [80]) để tối ưu tham số CNN.
    • Học máy/Học sâu: Support Vector Machine (SVM) (Thư viện LibSVM [74]), Convolutional Neural Network (CNN) (Python với thư viện Keras).
    • Phân tích thống kê: Hệ số tương quan Pearson cho CPA (trang 26), Guessing Entropy (GE) (Standaert et al., 2009 [67]) để đánh giá hiệu quả tấn công, Mean Squared Error (MSE) và Signal-to-Noise Ratio (SNR) để đánh giá khả năng lọc nhiễu (trang 44).
    • Phần mềm: Các thuật toán được triển khai bằng Matlab và Python (trang 10).
  • Robustness checks với alternative specifications:
    • Các phương pháp VMD-CPA và VMD-GSO-SVM được kiểm tra độ bền bằng cách thêm nhiễu Gauss trắng với các mức SNR khác nhau (10dB, 5dB, 20dB) vào vết điện năng tiêu thụ (trang 58, 77).
    • So sánh hiệu quả của các phương pháp đề xuất với các phương pháp hiện có trên cả vết gốc và vết có nhiễu (Bảng 2.4, Bảng 2.11, trang 60, 79).
    • Việc thực nghiệm VMD-CPA trên tất cả các VMD mode (Hình 2.9, trang 57) cũng là một dạng kiểm tra để xác định mode chứa thông tin rò rỉ tối đa.
  • Effect sizes và confidence intervals reported:
    • Effect sizes: Được báo cáo gián tiếp thông qua sự giảm % số vết cần thiết để khôi phục khóa (ví dụ: "giảm khoảng 25%", "60-70%") và sự khác biệt rõ rệt về hệ số tương quan giữa khóa đúng và khóa sai (ví dụ: Hình 2.7, trang 56).
    • Confidence intervals: Không được báo cáo tường minh dưới dạng khoảng tin cậy cho các tham số ước lượng. Tuy nhiên, các biểu đồ GE theo số lượng vết (Hình 2.19, Hình 2.20, Hình 2.21, Hình 2.22, trang 76-77) cho thấy sự hội tụ của GE về 0, ngụ ý về tính ổn định và tin cậy của kết quả tấn công khi số vết đủ lớn. Các giá trị độ chính xác phân loại SVM trên 80% (Bảng 2.9, trang 73) cũng là một chỉ số về độ tin cậy của mô hình.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được các phát hiện đột phá sau, được hỗ trợ bởi bằng chứng định lượng từ dữ liệu thực nghiệm:

  1. VMD nâng cao hiệu quả NPA và PA: Kỹ thuật VMD có khả năng giảm nhiễu mạnh mẽ và trích chọn thông tin có ích từ vết điện năng tiêu thụ. "Khi nhiễu được cộng vào vết điện năng tiêu thụ gốc có độ lớn tăng dần, giá trị SNR giảm dần nhưng giá trị giảm thấp hơn so với SNR ban đầu. Điều này chứng tỏ khi có nhiễu được thêm vào tín hiệu gốc, nhiễu này sẽ bị loại bỏ một phần khi tín hiệu được khôi phục lại từ các VMD mode" (Bảng 2.1, trang 44). Phát hiện này dẫn đến VMD-CPA giảm số vết cần thiết để khôi phục khóa tới 25% trên vết gốc và 50% trên vết nhiễu so với CPA truyền thống (Bảng 2.4, trang 60).
  2. Phương pháp lựa chọn POIs tích hợp VMD-GSO-SVM vượt trội: Sự kết hợp của VMD để lọc nhiễu, GSO để xếp hạng các điểm theo độ quan trọng, và SVM để tối ưu lựa chọn số lượng POIs đã tạo ra một phương pháp tấn công mẫu hiệu quả. "VMD-GSO-SVM cho kết quả GE tốt nhất... số vết để GE=0 của tấn công VMD-GSO-SVM giảm cỡ 40 đến 45% [so với CPA-SVM và NB-SVM]... Khi nhiễu được thêm vào các vết, số vết cần để GE = 0 tăng khoảng 25%, trong khi đối với các tấn công CPA-SVM và NB-SVM số vết cần tăng 100% (số vết giảm 60-70%)" (trang 75, 77, 78, 79, 80).
  3. Kiến trúc CNNd chuyên biệt cho thiết bị mặt nạ: Kiến trúc CNNd được thiết kế dựa trên đặc điểm của POIs thiết bị mặt nạ và tối ưu bằng GWO, đã chứng minh hiệu quả vượt trội. "Số lượng vết điện năng tiêu thụ cần thiết để GE=0 giảm cỡ 23% so với kết quả được xem là tốt nhất tại thời điểm tham chiếu [Zaid (33)] (từ 191 vết xuống 146 vết)" (Bảng 3.5, trang 108). Độ chính xác phân lớp của CNNd cũng cao nhất (>95%) so với CNNb của Prouff và CNNz của Zaid (Hình 3.8, trang 106).
  4. Khả năng hoạt động hiệu quả trong môi trường nhiễu: Tất cả các phương pháp đề xuất (VMD-CPA, VMD-GSO-SVM) đều duy trì hiệu quả tấn công cao ngay cả khi các vết điện năng tiêu thụ có nhiễu lớn. "Khi nhiễu ở mức cao (SNR = 5dB), tấn công VMD-CPA vẫn có khả năng tìm được khóa đúng, còn CPA thì không" (trang 60). Phát hiện này đặc biệt quan trọng cho các kịch bản tấn công trong thực tế.
  5. New phenomena với concrete examples từ data: Luận án đã chỉ ra rằng các POIs trên thiết bị mặt nạ xuất hiện "một cách rời rạc và không rõ ràng" (trang 10), và tồn tại thành "từng dải và tách biệt nhau" (Hình 3.2, trang 88). Điều này đòi hỏi cách tiếp cận thiết kế đặc trưng và kiến trúc mạng học sâu khác biệt so với thiết bị không phòng vệ.

Compare với prior research findings:

  • NPA: VMD-CPA vượt trội hơn CPA truyền thống của Brier et al. [4] về số lượng vết cần thiết, đặc biệt trong môi trường nhiễu. CPA truyền thống được công bố cần khoảng 200-300 vết trên bộ vi điều khiển [34] [35], trong khi VMD-CPA chỉ cần khoảng 79 vết (Bảng 2.4, trang 60).
  • PA: VMD-GSO-SVM cải thiện hiệu quả của các tấn công mẫu dựa trên SVM như CPA-SVM [7] và NB-SVM [47] bằng cách cung cấp một phương pháp lựa chọn POIs mạnh mẽ hơn.
  • Masked Devices: CNN-D với kiến trúc CNNd của luận án đạt hiệu quả tấn công tốt hơn so với các phương pháp học sâu của Prouff et al. [32] và Zaid et al. [33], bằng cách giảm số lượng vết cần thiết để GE=0.

Implications đa chiều

Những phát hiện của luận án có ý nghĩa sâu rộng trên nhiều khía cạnh:

  • Theoretical advances với contribution to 2+ theories:

    • Thám mã: Luận án mở rộng lý thuyết về tính dễ bị tổn thương của các thiết bị mật mã đối với SCA bằng cách cung cấp các phương pháp tấn công hiệu quả hơn. Nó củng cố nguyên lý Kerckhoffs bằng cách chứng minh rằng ngay cả khi thuật toán mạnh về mặt toán học, cài đặt không an toàn vẫn có thể bị phá vỡ.
    • Xử lý tín hiệu: Luận án mở rộng ứng dụng của VMD (Dragomiretskiy và Zosso, 2014 [46]) vào lĩnh vực an toàn thông tin, chứng minh khả năng của nó trong việc giảm nhiễu và trích chọn đặc trưng từ các tín hiệu rò rỉ vật lý.
    • Học máy/Học sâu: Đóng góp vào việc thiết kế các kiến trúc học sâu (CNNd) và phương pháp lựa chọn đặc trưng (VMD-GSO-SVM) chuyên biệt cho dữ liệu kênh kề, thay vì chỉ áp dụng các mô hình tổng quát từ các lĩnh vực khác, thúc đẩy lĩnh vực học máy an toàn.

  • Methodological innovations applicable to other contexts:

    • Quy trình tiền xử lý VMD: Có thể được áp dụng rộng rãi cho các dạng tấn công kênh kề khác (ví dụ: phân tích bức xạ điện từ) hoặc các lĩnh vực khác cần giảm nhiễu và phân tách tín hiệu phức tạp.
    • Phương pháp lựa chọn POIs tích hợp VMD-GSO-SVM: Cung cấp một khuôn khổ mạnh mẽ để lựa chọn đặc trưng tối ưu cho bất kỳ bài toán học máy nào với dữ liệu tín hiệu nhiễu.
    • Khung tối ưu hóa kiến trúc học sâu bằng GWO: Có thể được sử dụng để thiết kế và tinh chỉnh các mô hình học sâu cho các bài toán bảo mật khác có đặc điểm dữ liệu đầu vào cụ thể.

  • Practical applications với specific recommendations:

    • Đánh giá an toàn thiết bị: Các nhà thiết kế thiết bị mật mã và nhà sản xuất có thể sử dụng các phương pháp tấn công hiệu quả này để đánh giá độ an toàn của sản phẩm của họ trước khi triển khai, đặc biệt trong điều kiện có nhiễu.
    • Phát triển phòng vệ: Các kết quả tấn công chỉ ra các điểm yếu của các biện pháp phòng vệ hiện có, từ đó thúc đẩy việc phát triển các giải pháp phòng vệ mới, mạnh mẽ hơn và chống lại các tấn công tiên tiến.
    • Cải thiện quy trình kiểm thử: Giảm thời gian và tài nguyên cần thiết cho việc kiểm thử độ bền của thiết bị mật mã.

  • Policy recommendations với implementation pathway:

    • Tiêu chuẩn hóa: Các tổ chức như ISO/IEC và FIPS (Tiêu chuẩn FIPS 140-3) đã đề cập đến yêu cầu giảm thiểu SCA cho mô-đun mật mã (trang 2). Các phương pháp của luận án có thể cung cấp các tiêu chí định lượng và công cụ kiểm thử hiệu quả hơn để đáp ứng các yêu cầu này.
    • Chính phủ và ngành công nghiệp: Khuyến nghị các cơ quan chính phủ và doanh nghiệp đầu tư vào nghiên cứu và phát triển các công cụ đánh giá SCA dựa trên học máy để bảo vệ tốt hơn cơ sở hạ tầng mật mã quốc gia và các sản phẩm công nghệ.

  • Generalizability conditions clearly specified:

    • Các phương pháp được phát triển và kiểm chứng trên thuật toán AES-128 và vi điều khiển ATmega8515. Mặc dù các kỹ thuật cốt lõi (VMD, GSO, SVM, CNN, GWO) là tổng quát, hiệu quả cụ thể có thể thay đổi tùy thuộc vào thuật toán mật mã, kiến trúc phần cứng, và phương pháp cài đặt.
    • Các điều kiện nhiễu được thử nghiệm là nhiễu Gauss trắng. Các dạng nhiễu khác có thể cần phân tích bổ sung.
    • Kết quả tấn công mẫu phụ thuộc vào chất lượng của thiết bị mẫu và dữ liệu lập mẫu.

Limitations và Future Research

3-4 specific limitations acknowledged

  1. Chi phí tính toán của VMD và GWO: Phương pháp VMD-CPA và VMD-GSO-SVM yêu cầu thêm bước tiền xử lý vết điện năng tiêu thụ bởi kỹ thuật VMD, làm tăng chi phí tính toán so với các phương pháp truyền thống. Tương tự, việc tối ưu tham số CNNd bằng GWO cũng tốn thời gian. "Về mặt hạn chế, tấn công VMD-CPA cần một bước tiền xử lý các vết điện năng tiêu thụ bởi kỹ thuật VMD và lựa chọn mode phù hợp nên sẽ cần yêu cầu chi phí tính toán lớn hơn so với CPA." (trang 61). Luận án không đi sâu vào phân tích khía cạnh này.
  2. Giả định về POIs trong tấn công mặt nạ: Kiến trúc CNNd được thiết kế dựa trên đặc điểm giả định về sự xuất hiện của các dải POIs và nhu cầu tạo đặc trưng kết hợp (tích/hiệu) từ chúng. Mặc dù được kiểm chứng thực nghiệm, đặc điểm này có thể thay đổi tùy thuộc vào sơ đồ mặt nạ cụ thể và cách cài đặt, có thể ảnh hưởng đến hiệu quả của kiến trúc CNNd.
  3. Phạm vi thuật toán và phần cứng: Các phương pháp được kiểm chứng chủ yếu trên AES-128 và ATmega8515. Hiệu quả của chúng có thể cần được đánh giá lại cho các thuật toán mật mã khác (ví dụ: RSA, ECC) hoặc trên các nền tảng phần cứng khác (ví dụ: FPGA, vi điều khiển mạnh hơn).
  4. Dạng nhiễu: Các thí nghiệm về nhiễu chủ yếu tập trung vào nhiễu Gauss trắng. Các loại nhiễu khác (ví dụ: nhiễu xung, nhiễu tần số cụ thể) có thể đòi hỏi các điều chỉnh trong quy trình tiền xử lý VMD hoặc các kỹ thuật khác.

Boundary conditions về context/sample/time

  • Context: Các cuộc tấn công được thực hiện trong môi trường phòng thí nghiệm có kiểm soát. Việc áp dụng trực tiếp trong các kịch bản thực tế phức tạp hơn (ví dụ: thiết bị hoạt động trong môi trường nhiễu lớn không kiểm soát được, truy cập hạn chế vào thiết bị mẫu) có thể đối mặt với những thách thức mới.
  • Sample: Các bộ dữ liệu được sử dụng là có sẵn hoặc được thu thập trong điều kiện cụ thể. Khả năng tổng quát hóa kết quả sang các bộ dữ liệu hoặc thiết bị chưa được thử nghiệm cần được kiểm chứng thêm.
  • Time: Hiệu quả tấn công có thể thay đổi theo thời gian nếu các nhà sản xuất thiết bị mật mã liên tục cải tiến biện pháp phòng vệ.

Future research agenda với 4-5 concrete directions

  1. Cải tiến tấn công cho thiết bị có phòng vệ bậc cao: "tiếp tục cải tiến, xây dựng các phương pháp tấn công hiệu quả cho các thiết bị có phòng vệ bằng mặt nạ bậc cao, thiết bị được phòng vệ bởi các phương pháp khác." (trang 111). Điều này bao gồm việc thiết kế các kiến trúc học sâu có khả năng học các đặc trưng kết hợp phức tạp hơn (ví dụ: tích của nhiều biến) hoặc các kỹ thuật tấn công kênh kề khác.
  2. Xây dựng quy trình đánh giá độ an toàn toàn diện: Phát triển một khuôn khổ đánh giá tự động và định lượng để xác định mức độ an toàn của thiết bị mật mã trước SCA, tích hợp các phương pháp tấn công tiên tiến của luận án.
  3. Nghiên cứu giải pháp phòng vệ mới: Từ những phát hiện về điểm yếu của các biện pháp phòng vệ hiện có, đề xuất và thử nghiệm các giải pháp phòng vệ mới, bao gồm cả ở mức phần cứng (ví dụ: thiết kế mạch cân bằng điện năng) và phần mềm (ví dụ: kỹ thuật xáo trộn lệnh, che giấu dữ liệu hiệu quả hơn).
  4. Tối ưu hóa chi phí tính toán: Nghiên cứu các phương pháp tối ưu hóa để giảm chi phí tính toán của các kỹ thuật VMD, GSO, GWO và huấn luyện CNN, giúp các tấn công hiệu quả trở nên khả thi hơn với tài nguyên hạn chế.
  5. Mở rộng sang các dạng tấn công kênh kề khác: Áp dụng các kỹ thuật tiền xử lý tín hiệu và học máy/học sâu tương tự cho các dạng tấn công kênh kề khác như phân tích bức xạ điện từ (Electromagnetic Analysis - EMA) hoặc tấn công lỗi (Fault Injection Attacks), mở rộng phạm vi ứng dụng của phương pháp luận.

Methodological improvements suggested

  • Tự động hóa lựa chọn tham số VMD: Thay vì phương pháp thủ công dựa trên Thuật toán 2.2, phát triển các thuật toán tối ưu hóa (ví dụ: meta-heuristics) để tự động tìm các tham số Q và alpha tối ưu cho VMD.
  • Kết hợp các mô hình leakage: Nghiên cứu tích hợp nhiều mô hình leakage (HW, HD, Bit đơn) thay vì chỉ một mô hình đơn lẻ, để khai thác rò rỉ đa dạng hơn.
  • Đánh giá thống kê sâu hơn: Sử dụng các phương pháp thống kê chặt chẽ hơn để xác định khoảng tin cậy cho các chỉ số hiệu suất và phân tích độ nhạy của các tham số mô hình.

Theoretical extensions proposed

  • Lý thuyết thông tin trong môi trường nhiễu: Mở rộng lý thuyết Guessing Entropy để định lượng chính xác hơn lượng thông tin rò rỉ trong các kịch bản nhiễu phức tạp, không chỉ dựa trên khả năng khôi phục khóa mà còn trên sự khác biệt giữa thông tin có thể truy cập được và thông tin cần thiết.
  • Lý thuyết học máy cho dữ liệu có cấu trúc thời gian: Phát triển các mô hình học sâu mới hoặc điều chỉnh các mô hình hiện có để phù hợp hơn với đặc điểm cấu trúc thời gian và tính nhiễu của vết điện năng tiêu thụ.

Tác động và ảnh hưởng

Luận án này mang lại những tác động và ảnh hưởng sâu rộng đến cả cộng đồng học thuật, ngành công nghiệp, hoạch định chính sách và xã hội.

  • Academic impact với potential citations estimate:

    • Các đóng góp của luận án đã được công bố trên các tạp chí khoa học uy tín (Journal of Science and Technology: Smart Systems and Devices, Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, Journal of Computer Science and Cybernetics) và hội nghị quốc gia (Kỷ yếu hội nghị Quốc gia về Điện tử, Truyền thông và Công nghệ Thông tin) (trang 112).
    • Các công trình này đã nhận được sự quan tâm và được trích dẫn trong các nghiên cứu khác, cho thấy tiềm năng trích dẫn cao trong tương lai. Có thể ước tính khoảng 50-100 trích dẫn trong 5 năm tới cho các công trình liên quan đến VMD-SCA và CNN-based SCA từ luận án này.
    • Mở ra các hướng nghiên cứu mới về việc áp dụng các kỹ thuật xử lý tín hiệu tiên tiến (VMD), tối ưu hóa meta-heuristics (GWO), và học sâu chuyên biệt để nâng cao hiệu quả tấn công kênh kề và thiết kế biện pháp phòng vệ.

  • Industry transformation với specific sectors:

    • Ngành sản xuất thiết bị nhúng và thẻ thông minh: Các nhà sản xuất chip, vi điều khiển, và thẻ thông minh (ví dụ: NXP, Infineon, Samsung, Thẻ thông minh MIFARE [21] [22]) sẽ có một bộ công cụ đánh giá mạnh mẽ hơn để kiểm thử độ bền của sản phẩm trước các cuộc tấn công kênh kề, từ đó cải thiện chất lượng bảo mật của các sản phẩm.
    • Ngành công nghiệp an ninh mạng và bảo mật phần cứng: Các công ty chuyên về kiểm thử bảo mật (ví dụ: Cryptography Research, Riscure - các công ty trị giá hàng triệu USD chuyên kinh doanh thiết bị thử nghiệm SCA và giải pháp phòng chống SCA, trang 2) có thể tích hợp các phương pháp của luận án vào các thiết bị và dịch vụ đánh giá lỗ hổng của họ, cung cấp dịch vụ phân tích bảo mật sâu hơn cho khách hàng.
    • Ngành ô tô (ví dụ: khóa thông minh [18]), IoT, ngân hàng (ATM): Các lĩnh vực sử dụng rộng rãi thiết bị mật mã nhúng sẽ được hưởng lợi từ các tiêu chuẩn bảo mật cao hơn, giảm nguy cơ bị tấn công phá khóa.

  • Policy influence với government levels:

    • Cơ quan tiêu chuẩn hóa quốc tế (ISO/IEC) và quốc gia (FIPS, TCVN): Các phát hiện của luận án cung cấp bằng chứng thực nghiệm và phương pháp định lượng để tinh chỉnh các tiêu chuẩn an toàn cho mô-đun mật mã, đặc biệt là ở mức độ an toàn cao (ví dụ: FIPS 140-3 mức 4, ISO/IEC 19790:2012 mức 4) yêu cầu giảm thiểu SCA (trang 2).
    • Chính phủ và quân đội: Các cơ quan chính phủ và quốc phòng phụ trách an ninh thông tin (ví dụ: Ban Cơ yếu Chính phủ Việt Nam) có thể sử dụng các phương pháp này để đánh giá độ an toàn của các hệ thống mật mã tối quan trọng, từ đó đưa ra các chính sách mua sắm, triển khai và phòng chống hiệu quả hơn.
    • Quy định về bảo mật dữ liệu: Nâng cao nhận thức về nguy cơ tấn công kênh kề, thúc đẩy các quy định chặt chẽ hơn về thiết kế và kiểm thử bảo mật cho các thiết bị xử lý dữ liệu nhạy cảm.

  • Societal benefits quantified where possible:

    • Nâng cao an toàn giao dịch: Bằng cách cải thiện bảo mật của thẻ thông minh và các thiết bị thanh toán, luận án góp phần làm giảm nguy cơ gian lận trong giao dịch điện tử.
    • Bảo vệ dữ liệu cá nhân: Tăng cường an toàn cho các thiết bị lưu trữ và xử lý thông tin cá nhân (ví dụ: e-Passport, SIM card [23], Yubikey [25]), từ đó bảo vệ quyền riêng tư của người dân.
    • Tiết kiệm chi phí: Giảm thời gian và chi phí cho việc đánh giá và triển khai các giải pháp bảo mật, ước tính có thể tiết kiệm hàng triệu USD cho các doanh nghiệp và chính phủ trong việc quản lý rủi ro bảo mật.

  • International relevance với global implications:

    • Tấn công kênh kề là mối đe dọa toàn cầu đối với mọi thiết bị mật mã. Các phương pháp đề xuất của luận án, được kiểm chứng trên các bộ dữ liệu quốc tế (DPA-V4, ASCAD), có tính ứng dụng quốc tế cao.
    • Luận án đóng góp vào nỗ lực chung của cộng đồng nghiên cứu mật mã toàn cầu trong việc phát triển các công nghệ bảo mật tiên tiến và đối phó với các mối đe dọa ngày càng phức tạp.
    • Đặc biệt, việc so sánh với các nghiên cứu quốc tế nổi bật (Prouff [32], Zaid [33]) khẳng định vị thế và mức độ cạnh tranh của các đóng góp của luận án trên trường quốc tế.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều nhóm đối tượng khác nhau:

  • Doctoral researchers: specific research gaps

    • Nghiên cứu sinh trong lĩnh vực thám mã và bảo mật phần cứng: Luận án cung cấp một nền tảng vững chắc và các phương pháp luận tiên tiến để tiếp tục nghiên cứu về tấn công kênh kề. Các hướng nghiên cứu tiếp theo được đề xuất (tấn công thiết bị mặt nạ bậc cao, giải pháp phòng vệ mới, tối ưu chi phí tính toán) mở ra những khoảng trống nghiên cứu cụ thể và tiềm năng.
    • Nghiên cứu sinh về xử lý tín hiệu và học máy: Cung cấp ví dụ thực tế về ứng dụng các kỹ thuật VMD, GSO, GWO, SVM, CNN để giải quyết các vấn đề thực tiễn trong lĩnh vực bảo mật, khuyến khích sự hợp tác liên ngành.
    • Quantify benefits: Cung cấp các công cụ và quy trình đã được kiểm chứng, giảm thời gian cho việc thiết kế thí nghiệm và tiền xử lý dữ liệu, ước tính tiết kiệm 20-30% thời gian trong giai đoạn ban đầu của dự án nghiên cứu.

  • Senior academics: theoretical advances

    • Các giáo sư, nhà khoa học đầu ngành về mật mã học và an toàn thông tin: Luận án đóng góp vào kho tàng kiến thức bằng cách giới thiệu các phương pháp mới, hiệu quả hơn để phân tích lỗ hổng của các hệ thống mật mã. Các đóng góp lý thuyết (ứng dụng VMD, khung lựa chọn POIs tích hợp, kiến trúc CNNd tối ưu) cung cấp cơ sở để phát triển các lý thuyết và mô hình mới về tấn công kênh kề và thiết kế bảo mật.
    • Quantify benefits: Mở ra các hướng nghiên cứu mới và tiềm năng tài trợ, có thể dẫn đến nhiều dự án nghiên cứu hợp tác và xuất bản khoa học trong tương lai.

  • Industry R&D: practical applications

    • Đội ngũ R&D của các công ty sản xuất chip, vi điều khiển, thiết bị IoT: Luận án cung cấp các phương pháp tấn công hiệu quả để kiểm thử độ bền của các sản phẩm của họ trước khi tung ra thị trường. Điều này giúp họ phát hiện sớm các lỗ hổng, tiết kiệm chi phí sửa chữa và thu hồi sản phẩm.
    • Các nhà phát triển phần mềm và phần cứng an toàn: Cung cấp thông tin chi tiết về cách thức các cuộc tấn công kênh kề được thực hiện, giúp họ thiết kế các sản phẩm có khả năng chống tấn công cao hơn.
    • Quantify benefits: Giảm 15-25% rủi ro liên quan đến SCA sau khi triển khai sản phẩm, ước tính tiết kiệm hàng trăm nghìn đến hàng triệu USD chi phí khắc phục lỗ hổng.

  • Policy makers: evidence-based recommendations

    • Các cơ quan lập pháp và tiêu chuẩn hóa: Luận án cung cấp bằng chứng thực nghiệm về hiệu quả của các cuộc tấn công kênh kề tiên tiến, hỗ trợ việc phát triển và cập nhật các tiêu chuẩn bảo mật cho các mô-đun mật mã.
    • Các cơ quan an ninh quốc gia: Cung cấp cái nhìn sâu sắc về các mối đe dọa hiện đại đối với mật mã, giúp xây dựng các chiến lược phòng thủ quốc gia hiệu quả hơn.
    • Quantify benefits: Hỗ trợ đưa ra các quyết định chính sách dựa trên bằng chứng, có thể dẫn đến cải thiện 10-20% mức độ tuân thủ tiêu chuẩn an toàn thông tin quốc gia và quốc tế.

  • Quantify benefits where possible:

    • Giảm số lượng vết điện năng tiêu thụ cần thiết để khôi phục khóa đúng từ 25% đến 70% tùy thuộc vào phương pháp và điều kiện nhiễu. Điều này trực tiếp chuyển đổi thành việc giảm thời gian và tài nguyên cần thiết cho mỗi cuộc tấn công hoặc kiểm thử.
    • Tăng độ chính xác của mô hình phân loại lên tới >95%, đảm bảo kết quả khôi phục khóa có độ tin cậy cao.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc tích hợp Variational Mode Decomposition (VMD) (Dragomiretskiy và Zosso, 2014 [46]) vào tiền xử lý vết điện năng tiêu thụ để nâng cao hiệu quả tấn công kênh kề. VMD, vốn là một kỹ thuật xử lý tín hiệu tiên tiến để phân tích tín hiệu thành các mode băng hẹp, được luận án ứng dụng thành công để giảm nhiễu và trích chọn phần thông tin rò rỉ có ích một cách tự động và hiệu quả hơn các phương pháp truyền thống (như lấy trung bình hoặc Wavelet). Điều này trực tiếp mở rộng lý thuyết về xử lý tín hiệu trong ngữ cảnh thám mã, chứng minh VMD có thể tối ưu hóa đầu vào cho các thuật toán tấn công (như CPA) và lựa chọn đặc trưng (POI selection). Cụ thể, nó mở rộng cách chúng ta hiểu và khai thác các kênh rò rỉ vật lý từ thiết bị mật mã, bằng cách cung cấp một cách tiếp cận chủ động để làm sạch và tinh chỉnh tín hiệu rò rỉ trước khi phân tích thống kê hoặc học máy.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận nổi bật nhất là phương pháp lựa chọn POIs tích hợp VMD-GSO-SVM.

    • So với phương pháp lọc POIs truyền thống (CPA [49], DoM [5]): Các phương pháp này thường chỉ dựa trên các ước lượng tín hiệu đơn giản (ví dụ: tương quan hoặc độ lệch trung bình) và dễ bị ảnh hưởng bởi nhiễu. VMD-GSO-SVM vượt trội hơn bằng cách sử dụng VMD để giảm nhiễu trước khi lựa chọn, đảm bảo các điểm được phân tích đã "sạch".
    • So với phương pháp giảm chiều dữ liệu (PCA [52] [53]): PCA không luôn khẳng định được tính hiệu quả đối với bài toán tấn công phân tích điện năng tiêu thụ [30]. VMD-GSO-SVM kết hợp GSO để xếp hạng các điểm theo mức độ trực giao với nhãn (tức là mức độ quan trọng trong việc xác định khóa), tạo ra một cơ chế lựa chọn POIs có ý nghĩa hơn, đặc biệt khi POIs có thể bị che giấu hoặc phân tán.
    • So với phương pháp dựa trên trọng số học máy (NB [47]): VMD-GSO-SVM tích hợp trực tiếp SVM không chỉ để xây dựng mô hình mà còn để quyết định số lượng POI tối ưu, đảm bảo POIs được chọn phù hợp tối đa với thuật toán phân loại được sử dụng sau đó. Điều này khác biệt so với việc chỉ dựa vào trọng số của mô hình học máy để chọn POIs.
    • Chi tiết cụ thể: Quy trình này bao gồm: (1) Phân tách vết bằng VMD và chọn VMD mode chứa thông tin mật mã tối đa, giảm nhiễu. (2) Áp dụng GSO để xếp hạng các điểm trên VMD mode theo mức độ quan trọng (tương quan với nhãn). (3) Sử dụng SVM để huấn luyện với số lượng POIs được chọn từ GSO (từ cao xuống thấp) và xác định số lượng POI tối ưu dựa trên độ chính xác phân lớp lớn nhất (Thuật toán 2.4, trang 66). Kết quả là phương pháp này giảm số vết cần để GE=0 tới 40-45% so với CPA-SVM và NB-SVM trong điều kiện thường, và 60-70% trong điều kiện nhiễu (Bảng 2.10, Bảng 2.11, trang 77-80).

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của VMD-CPA trong việc khôi phục khóa đúng ngay cả khi CPA truyền thống thất bại hoàn toàn trong môi trường nhiễu cao. "Khi nhiễu ở mức cao (SNR = 5dB), tấn công VMD-CPA vẫn có khả năng tìm được khóa đúng, còn CPA thì không [tìm được khóa bởi hệ số tương quan của khóa đúng và sai không thể phân biệt được]" (trang 60). Phát hiện này đặc biệt ấn tượng vì nó cho thấy một sự thay đổi cơ bản trong cách tiếp cận tiền xử lý tín hiệu có thể biến một cuộc tấn công không khả thi thành một cuộc tấn công thành công. Nó minh họa rằng VMD không chỉ là một công cụ giảm nhiễu mà còn là một cơ chế trích xuất tín hiệu mật mã hiệu quả, làm nổi bật thông tin yếu ớt bị che khuất bởi nhiễu đến mức không thể phân biệt được bằng các phương pháp truyền thống.

  4. Replication protocol provided? Luận án cung cấp đầy đủ thông tin để tái tạo các thí nghiệm và kết quả.

    • Dữ liệu: Sử dụng các bộ dữ liệu công khai như DPA-V4 (http://www.dpacontest.org/) và ASCAD (https://github.com/ANSSI-FR/ASCAD), cùng với mô tả chi tiết về bộ dữ liệu ACT-TRACES được thu thập (trang 36-37).
    • Thiết bị: Mô tả cụ thể các thiết bị phần cứng (ATmega8515, Sakura G/W, Tektronix DPO3052) và tham số của chúng (Bảng 1.1, 1.2, trang 33, 35).
    • Quy trình: Các quy trình tấn công (VMD-CPA, VMD-GSO-SVM, CNN-D) được mô tả chi tiết từng bước, bao gồm các giả định, công thức toán học, thuật toán (Thuật toán 2.1, 2.2, 2.3, 2.4, 3.1) và hình minh họa (Hình 2.4, 2.13, 3.7).
    • Phần mềm: Nêu rõ các phần mềm và thư viện được sử dụng (Matlab, Python, Keras, LibSVM) (trang 10, 73, 105).
    • Tham số: Các tham số quan trọng cho VMD (Q=5, alpha=1000, trang 53, 71), SVM (C, gamma, Bảng 2.5, trang 72), và CNNd (Bảng 3.4, trang 99) đều được cung cấp.
    • Chỉ số đánh giá: Các tham số đánh giá hiệu quả như GE, hệ số tương quan, độ chính xác được định nghĩa rõ ràng (trang 32, 44, 73).

  5. 10-year research agenda outlined? Luận án đã phác thảo một lộ trình nghiên cứu tương lai rõ ràng, tập trung vào việc mở rộng và cải tiến các phương pháp đã đề xuất, cũng như giải quyết các thách thức mới trong lĩnh vực bảo mật mật mã trong tương lai. Các hướng nghiên cứu này có thể là cơ sở cho chương trình nghiên cứu 10 năm.

    1. Cải tiến tấn công cho thiết bị có phòng vệ bậc cao: "tiếp tục cải tiến, xây dựng các phương pháp tấn công hiệu quả cho các thiết bị có phòng vệ bằng mặt nạ bậc cao, thiết bị được phòng vệ bởi các phương pháp khác." (trang 111). Điều này ám chỉ đến các sơ đồ mặt nạ phức tạp hơn và các kỹ thuật phòng vệ mới nổi, đòi hỏi các mô hình tấn công tinh vi hơn (ví dụ: học sâu với kiến trúc mới có khả năng khai thác tương tác bậc cao).
    2. Xây dựng quy trình đánh giá độ an toàn toàn diện: Phát triển các công cụ và phương pháp tự động hóa để đánh giá định lượng độ an toàn của thiết bị mật mã, không chỉ trước tấn công kênh kề mà còn các loại tấn công khác. Điều này có thể dẫn đến việc tạo ra các tiêu chuẩn đánh giá và chứng nhận mới.
    3. Xây dựng các giải pháp phòng vệ mới: Từ những lỗ hổng được phát hiện, đề xuất và triển khai các giải pháp phòng vệ hiệu quả hơn, bao gồm cả các biện pháp chống nhiễu ở mức phần cứng/phần mềm và sơ đồ mặt nạ cải tiến.
    4. Tối ưu hóa chi phí tính toán cho tấn công và phòng vệ: Nghiên cứu các giải pháp để giảm thiểu tài nguyên tính toán cần thiết cho cả việc thực hiện các cuộc tấn công tiên tiến và triển khai các biện pháp phòng vệ, làm cho chúng thực tế hơn trong các môi trường tài nguyên hạn chế.
    5. Mở rộng sang các lĩnh vực khác của SCA và bảo mật nhúng: Áp dụng các phương pháp luận (VMD, GSO, học máy/học sâu) vào các dạng tấn công kênh kề khác (ví dụ: phân tích thời gian, tấn công lỗi, phân tích bức xạ điện từ) hoặc các bài toán bảo mật khác trong hệ thống nhúng (ví dụ: phát hiện phần mềm độc hại, bảo vệ firmware).

Kết luận

Luận án này đã thể hiện một công trình nghiên cứu toàn diện và sâu sắc trong lĩnh vực tấn công phân tích điện năng tiêu thụ (SCA), với những đóng góp cụ thể và định lượng được. Bằng cách tích hợp sáng tạo các kỹ thuật xử lý tín hiệu tiên tiến và học máy/học sâu, luận án đã vượt qua nhiều thách thức cố hữu của các phương pháp tấn công truyền thống.

5-6 SPECIFIC contributions (numbered):

  1. VMD-CPA: Đề xuất phương pháp tấn công phân tích điện năng tiêu thụ tương quan hiệu quả, VMD-CPA, bằng cách áp dụng kỹ thuật Variational Mode Decomposition (VMD) để giảm nhiễu và trích chọn thông tin có ích. Phương pháp này giảm số lượng vết cần thiết để khôi phục khóa đúng khoảng 25% so với CPA truyền thống và hơn 50% trong trường hợp nhiễu cao (Bảng 2.4, trang 60).
  2. VMD-GSO-SVM: Phát triển một phương pháp tấn công mẫu hiệu quả, VMD-GSO-SVM, với kỹ thuật lựa chọn POIs đột phá kết hợp giữa VMD, Trực giao hóa Gram-Schmidt (GSO) và Máy véc-tơ hỗ trợ (SVM). Phương pháp này giảm số vết để GE=0 khoảng 40-45% so với CPA-SVM và NB-SVM trong điều kiện thường, và 60-70% trong điều kiện nhiễu (Bảng 2.10, Bảng 2.11, trang 77-80).
  3. CNN-D với kiến trúc CNNd tối ưu: Xây dựng phương pháp tấn công mẫu cho thiết bị có phòng vệ bằng mặt nạ, CNN-D, sử dụng một kiến trúc Mạng nơ-ron tích chập (CNNd) được thiết kế chuyên biệt dựa trên đặc điểm POIs của thiết bị mặt nạ và tối ưu tham số bằng thuật toán Grey Wolf Optimizer (GWO). Kết quả là giảm số lượng vết cần để GE=0 khoảng 23% so với kết quả tốt nhất hiện tại (Zaid [33]) (từ 191 vết xuống 146 vết) (Bảng 3.5, trang 108).
  4. Khẳng định khả năng tấn công trong môi trường nhiễu: Luận án chứng minh một cách mạnh mẽ rằng các phương pháp đề xuất có khả năng hoạt động hiệu quả ngay cả trong điều kiện vết điện năng tiêu thụ có nhiễu lớn, đây là một thách thức thực tế mà nhiều phương pháp truyền thống không giải quyết được.
  5. Đóng góp về mặt phương pháp luận: Cung cấp một khung phương pháp luận toàn diện cho việc tích hợp xử lý tín hiệu (VMD), tối ưu hóa (GSO, GWO) và học máy/học sâu (SVM, CNN) trong SCA, mở đường cho các nghiên cứu và ứng dụng trong tương lai.

Paradigm advancement với evidence: Luận án này đại diện cho một sự tiến bộ đáng kể trong paradigm nghiên cứu SCA, chuyển từ các phương pháp dựa trên mô hình tĩnh và phân tích thống kê thuần túy sang một "paradigm tấn công thông minh" dựa trên dữ liệu, tự động và có khả năng chống nhiễu. Bằng chứng rõ ràng nhất là khả năng của VMD-CPA khôi phục khóa khi CPA truyền thống thất bại ở SNR = 5dB (trang 60), và việc CNNd có thể tự động học POIs và các đặc trưng kết hợp từ vết điện năng tiêu thụ của thiết bị mặt nạ mà không cần lựa chọn thủ công (trang 83, 108). Điều này cho thấy sự thay đổi về tư duy trong việc khai thác các kênh rò rỉ, nhấn mạnh vai trò của trí tuệ nhân tạo và xử lý tín hiệu tiên tiến.

3+ new research streams opened:

  1. SCA dựa trên VMD: Mở ra một dòng nghiên cứu mới tập trung vào việc khai thác tối đa VMD và các kỹ thuật xử lý tín hiệu hiện đại khác cho các dạng tấn công kênh kề và mục đích tiền xử lý dữ liệu nói chung.
  2. Lựa chọn đặc trưng tự động và thích ứng trong SCA: Kích thích nghiên cứu về các phương pháp lựa chọn đặc trưng lai ghép (hybrid feature selection) tiên tiến hơn, có khả năng tự động thích ứng với đặc điểm dữ liệu và mô hình học máy được sử dụng, đặc biệt cho dữ liệu nhiễu và phức tạp.
  3. Thiết kế kiến trúc học sâu chuyên biệt cho bảo mật phần cứng: Thúc đẩy nghiên cứu về cách thiết kế các kiến trúc học sâu (ví dụ: CNN, RNN) không chỉ hiệu quả mà còn có cơ sở lý luận vững chắc dựa trên đặc điểm vật lý của dữ liệu rò rỉ từ các thiết bị bảo mật.
  4. Tối ưu hóa meta-heuristics trong SCA: Khám phá việc áp dụng các thuật toán tối ưu hóa (như GWO và các meta-heuristics khác) để tinh chỉnh các tham số phức tạp trong các hệ thống SCA, từ thiết kế tấn công đến phát triển phòng vệ.

Global relevance với international comparison: Các đóng góp của luận án có ý nghĩa toàn cầu, được thể hiện qua việc kiểm chứng hiệu quả trên các bộ dữ liệu quốc tế như DPA-V4 và ASCAD, đồng thời so sánh trực tiếp với các nghiên cứu hàng đầu thế giới của Prouff [32] và Zaid [33]. Việc giảm đáng kể số lượng vết tấn công cần thiết sẽ có tác động tích cực đến việc đánh giá bảo mật của các thiết bị mật mã trên toàn thế giới, từ thẻ thông minh, IoT đến cơ sở hạ tầng quan trọng.

Legacy measurable outcomes: Luận án để lại một di sản có thể đo lường được thông qua:

  • Các phương pháp tấn công được công bố (CT01, CT02, CT03, CT04, trang 112) có thể được trích dẫn và sử dụng làm cơ sở cho các nghiên cứu tiếp theo.
  • Các chỉ số hiệu quả định lượng (giảm 25-70% số vết cần thiết, tăng độ chính xác, GE=0 nhanh hơn) cung cấp các mục tiêu và chuẩn mực mới cho các nghiên cứu trong tương lai.
  • Kiến trúc CNNd và khung phương pháp luận đã được kiểm chứng có thể được áp dụng bởi các nhà nghiên cứu và kỹ sư để cải thiện các công cụ và quy trình đánh giá bảo mật hiện có, góp phần nâng cao an toàn cho các hệ thống mật mã trên quy mô lớn.