Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Heavy-Duty Engines 2025 | 18. + 19. November 2025

Nutzfahrzeuge | Land- und Baumaschinen | Marine

Nehmen Sie als Referent an der 20. Internationalen MTZ-Fachtagung für Erfahrungsaustausch zu Industrie- und Nfz-Motoren teil. Reichen Sie online einen Themenvorschlag ein!
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Power Analysis Side-Channel Attacks on Same and Cross-Device Settings: A Survey of Machine Learning Techniques

verfasst von : Ashutosh Ghimire, Vishnu Vardhan Baligodugula, Fathi Amsaad

Erschienen in: Internet of Things. Advances in Information and Communication Technology

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Systems that use secret keys or personal details are seriously at risk from side-channel attacks, especially if they rely on power analysis. Attackers can use unintentional sources like power consumption and electromagnetic waves to extract sensitive information. Recently, machine learning has become a promising approach for executing power side-channel attacks that are efficient and effective for single and cross-device environments. This paper reviews various machine learning-based power side-channel attacks, including feature extraction techniques, classification methods, and countermeasures. This survey investigates same-device and cross-device attacks that use multiple devices for training an artificial intelligence model for this purpose. It examines the strengths and limitations of various machine learning algorithms and suggests areas for future research to address challenges.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Comprehensive Survey of Machine Learning Techniques for Detecting and Preventing Network Layer DoS Attacks
Nächstes Kapitel Lite-Agro: Exploring Light-Duty Computing Platforms for IoAT-Edge AI in Plant Disease Identification
Literatur
1.
Cao, P., Zhang, C., Lu, X., Gu, D.: Cross-device profiled side-channel attack with unsupervised domain adaptation. IACR Trans. Cryptograph. Hardw. Embed. Syst. 27–56 (2021)
2.
Chapagain, A., Ghimire, A., Joshi, A., Jaiswal, A.: Predicting breast cancer using support vector machine learning algorithm. Int. Res. J. Innov. Eng. Technol. 4(5), 10 (2020)
3.
Das, D., Golder, A., Danial, J., Ghosh, S., Raychowdhury, A., Sen, S.: X-deepSCA: cross-device deep learning side channel attack. In: Proceedings of the 56th Annual Design Automation Conference 2019, pp. 1–6 (2019)
4.
Ghimire, A., Tayara, H., Xuan, Z., Chong, K.T.: CSATDTA: prediction of drug-target binding affinity using convolution model with self-attention. Int. J. Mol. Sci. 23(15), 8453 (2022)CrossRef
5.
Golder, A., Das, D., Danial, J., Ghosh, S., Sen, S., Raychowdhury, A.: Practical approaches toward deep-learning-based cross-device power side-channel attack. IEEE Trans. Very Large Scale Integr. (VLSI) Syst. 27(12), 2720–2733 (2019)
6.
Hanley, N., O’Neill, M., Tunstall, M., Marnane, W.P.: Empirical evaluation of multi-device profiling side-channel attacks. In: 2014 IEEE Workshop on Signal Processing Systems (SiPS), pp. 1–6. IEEE (2014)
7.
8.
Hu, F., Ni, F.: Software implementation of AES-128: side channel attacks based on power traces decomposition. In: 2022 International Conference on Cyber Warfare and Security (ICCWS), pp. 14–21. IEEE (2022)
9.
Hu, F., Wang, H., Wang, J.: Cross-subkey deep-learning side-channel analysis. IACR Cryptology ePrint Archive 2021, 1328 (2021)
10.
Hu, F., Wang, H., Wang, J.: Side-channel attacks based on power trace decomposition. Cryptology ePrint Archive (2022)
11.
Jin, S., Kim, S., Kim, H., Hong, S.: Recent advances in deep learning-based side-channel analysis. ETRI J. 42(2), 292–304 (2020)MathSciNetCrossRef
12.
Kashyap, P., Aydin, F., Potluri, S., Franzon, P.D., Aysu, A.: 2Deep: enhancing side-channel attacks on lattice-based key-exchange via 2-D deep learning. IEEE Trans. Comput. Aided Des. Integr. Circuits Syst. 40(6), 1217–1229 (2020)CrossRef
13.
Koblah, D.S., et al.: A survey and perspective on artificial intelligence for security-aware electronic design automation. ACM Trans. Des. Autom. Electron. Syst. (TODAES) (2022)
14.
Meshgi, H., Khazaee, M.E., Kasiri, B., Shahhoseini, H.S.: An efficient algorithm resistant to spa and DPA variants in ECC. In: 2008 1st IFIP Wireless Days, pp. 1–5. IEEE (2008)
15.
16.
Randolph, M., Diehl, W.: Power side-channel attack analysis: a review of 20 years of study for the layman. Cryptography 4(2), 15 (2020)CrossRef
17.
Thapar, D., Alam, M., Mukhopadhyay, D.: Deep learning assisted cross-family profiled side-channel attacks using transfer learning. In: 2021 22nd International Symposium on Quality Electronic Design (ISQED), pp. 178–185. IEEE (2021)
18.
Wang, H.: Side-channel analysis of AES based on deep learning (2019)
19.
20.
Wang, H., Dubrova, E.: Tandem deep learning side-channel attack on FPGA implementation of AES. SN Comput. Sci. 2, 1–12 (2021)CrossRef
21.
Wolf, S., Hu, H., Cooley, R., Borowczak, M.: Stealing machine learning parameters via side channel power attacks. In: 2021 IEEE Computer Society Annual Symposium on VLSI (ISVLSI), pp. 242–247. IEEE (2021)
22.
Yu, H., Shan, H., Panoff, M., Jin, Y.: Cross-device profiled side-channel attacks using meta-transfer learning. In: 2021 58th ACM/IEEE Design Automation Conference (DAC), pp. 703–708. IEEE (2021)
23.
Yu, H., et al.: Noise2clean: cross-device side-channel traces denoising with unsupervised deep learning. Electronics 12(4), 1054 (2023)CrossRef
24.
Zhang, L., Xing, X., Fan, J., Wang, Z., Wang, S.: Multilabel deep learning-based side-channel attack. IEEE Trans. Comput. Aided Des. Integr. Circuits Syst. 40(6), 1207–1216 (2020)CrossRef
Metadaten
Titel
Power Analysis Side-Channel Attacks on Same and Cross-Device Settings: A Survey of Machine Learning Techniques
verfasst von
Ashutosh Ghimire
Vishnu Vardhan Baligodugula
Fathi Amsaad
Copyright-Jahr
2024
Buch
Internet of Things. Advances in Information and Communication Technology

Print ISBN: 978-3-031-45881-1

Electronic ISBN: 978-3-031-45882-8

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-45882-8_24

Premium Partner

    Bildnachweise