CE-LA: a method for addressing Hamming weight label imbalance in side-channel attacks
Abstract
侧信道攻击通过分析加密设备泄露的物理信息与密钥操作相关的中间值之间的关联性实现密钥破解,是信息安全领域的重要攻击方法.基于汉明重量(Hamming Weight, HW)标签的神经网络模型因其复杂度低、数据需求少的优势,被广泛应用于侧信道攻击中.然而,HW标签固有的类别不平衡特性导致多数类的梯度在模型参数更新时占据主导地位.这严重削弱了模型对少数类特征的学习能力,显著降低少数类的对数似然得分,进而限制了整体性能.现有方案虽能缓解此问题,但仍存在攻击性能不足和模型复杂度高的缺陷.为此,本文提出了一个基于LogitAdjustment的侧信道攻击模型(Cross-Entropy with Logit Adjustment, CE-LA),其在建模阶段将与类别频率成反比的偏移量嵌入到交叉熵损失中,有效增强了少数类的梯度信号,从而提升少数类的对数似然得分并抑制多数类的过拟合.此外,本文不仅从理论层面证明了CE-LA在增强少数类梯度信号方面的有效性,并通过实验验证其对少数类准确率的显著提升.在四个公开数据集上的实验表明:CE-LA的攻击性能较损失函数调整方法提升了20%,并且其模型参数量仅为集成方法的0.11%,显著降低了复杂度;并且当噪声强度从50增至100时,其性能衰减幅度仅为20%,低于损失函数调整方法26%至180%的降幅,展现出极强的噪声鲁棒性.综合评估表明,CE-LA不仅实现了攻击性能与模型复杂度的均衡优化,并具有极强的噪声鲁棒性.
Fields of Study & Subjects
Cryptographic Implementations and Security
Adversarial Robustness in Machine Learning
Coding theory and cryptography
Publication details
- Journal / source
- Scientia Sinica Informationis
- Volume
- 56
- Issue
- 8
- Pages
- 2030–2030
- Publication date
- 9 February 2026
- Language
- EN