5 ConclusionsIn this paper we descr

5 Conclusions
In this paper we described and experimented with elastic alignment, an algorithm for aligning trace sets when misalignment is present. The elastic alignment is designed to be applicable practically in the context of performing side channel analysis in the presence of random process interrupts and unstable clocks. We use FastDTW, a linear complexity variant of the dynamic time warping algorithm, for alignment. Dynamic time warping measures the distance between two traces and produces a warp path that describes a nonlinear time matching of the two. We use this warp path to align a pair of traces. By selecting one trace as a reference, we can thereby iterate this process to elastically align an entire trace set. By design, elastic alignment attempts to globally optimize the alignment. This implies that at every resolution, be it process, instruction, clock or subclock, a good alignment can be found. For side channel analysis this is helpful as the traces may be analyzed at different resolutions. The only parameter input to the algorithm is the FastDTW radius, which acts as a speed versus quality trade-off. This contrasts sliding window DPA, which requires knowledge of two target specific parameters: the clock cycle length, and the spread of the DPA peak over different clock cycles. Having fewer and easily selectable parameters makes the effectiveness of the side channel analysis less dependent on the user performing it. Experiments were done based on traces obtained from a card with a fixed
clock and the random process interrupt countermeasure enabled. These show sliding window DPA is moderately better than elastic alignment at dealing with only RPIs as countermeasure. This is probably due to noise affecting the dynamic adaptation of elastic alignment. However, as soon as even a slightly unstable clock is introduced, elastic alignment is much better at recovering the DPA peak due to its dynamic synchronization with the reference trace. The experiments conform with our experiences on other cards, which are mostly implementations with hardware DES engines. Unfortunately we do not fully control these implementations, and they are therefore less suitable for structured experimentation. Elastic alignment also appears to work when traces are
compressed down to the frequency of the internal clock, and, with proper signal integration, also on EM traces. In a number of cases, elastic alignment has played a key role in breaking a card using CPA within a bounded number of traces.
5.1 Discussion and future work
Besides the basic elastic alignment algorithm as presented in this paper, we have implemented a number of other experimental features. One is the possibility of decoupling warp path detection and application: we allow detecting the warppaths on one set of traces, and applying them to another set of traces. If the other set of traces has a different number of samples, the warp path is scaled to accommodate this. This allows us to e.g. calculate an alignment at the level of one sample per clock, while repairing misalignment in traces with multiple samples per clock. The experiments and results are preliminary, but show interesting potential. When performing elastic alignment, we implicitly violate the preconditions that the first and last samples of the trace pair are aligned. Elastic alignment can accommodate for this by matching the initial or final part of one trace to only a few samples in the other; however, we envision the alignment can be improved if both the first and last samples of the trace pair are aligned. This can be implemented by allowing variable length traces and using pattern matches to find the locations of the first and last samples. A way to reduce the effect of noise on the alignment is to change the way FastDTW measures the distance between individual samples. Now this is done
by their absolute difference, but one could consider taking more samples into account. This is accomplished by for instance using the weighted average distance of neighboring samples, or by correlation of trace fragments. This effectively ‘smoothes’ the distance function and potentially cancels some of the effects of noise in the individual samples.
6 Acknowledgments
We would like to thank Fred de Beer for helpful comments and discussions regarding elastic alignment. Also, we are grateful for the helpful comments about the previous version of this paper from the anonymous reviewers. We also thank Nick Towner for reviewing an earlier version this paper. Finally, we are indebted to Federico Menarini and Eloi Sanfelix Gonzalez for providing us with the trace sets used in the experiments.

Kết quả (Việt) 1:

Kết luận 5Trong bài báo này chúng tôi được mô tả và thử nghiệm với chỉnh đàn hồi, một thuật toán cho việc xếp thẳng các dấu vết bộ khi misalignment là hiện tại. Liên kết đàn hồi được thiết kế để được áp dụng thực tế trong bối cảnh thực hiện bên kênh phân tích sự hiện diện của các quá trình ngẫu nhiên ngắt và đồng hồ không ổn định. Chúng tôi sử dụng FastDTW, một biến thể phức tạp tuyến tính thời gian năng động cong vênh của thuật toán, cho liên kết. Năng động thời gian cong vênh các biện pháp khoảng cách giữa hai dấu vết và tạo ra một con đường dọc mà mô tả một thời gian phi tuyến kết hợp của hai. Chúng tôi sử dụng này dọc đường để align một cặp dấu vết. Bằng cách chọn một trong những dấu vết như là một tài liệu tham khảo, do đó chúng tôi có thể iterate quá trình này để elastically sắp xếp một tập toàn bộ dấu vết. Theo thiết kế, chỉnh đàn hồi nỗ lực toàn cầu tối ưu hóa liên kết. Điều này ngụ ý rằng ở mọi độ phân giải, có thể là quá trình, giảng dạy, đồng hồ hay subclock, một liên kết tốt có thể được tìm thấy. Bên kênh phân tích này là hữu ích như các dấu vết có thể được phân tích ở độ phân giải khác nhau. Đầu vào tham số duy nhất cho các thuật toán là bán kính FastDTW, đóng vai trò như một tốc độ so với chất lượng thương mại-off. Điều này tương phản trượt cửa sổ DPA, đòi hỏi kiến thức của hai tham số mục tiêu cụ thể: độ dài chu kỳ đồng hồ, và sự lây lan của DPA đỉnh qua chu kỳ đồng hồ khác nhau. Có ít hơn và dễ dàng lựa chọn các thông số làm cho hiệu quả của phân tích kênh bên ít phụ thuộc vào người sử dụng thực hiện nó. Thí nghiệm đã được thực hiện dựa trên thu được từ một thẻ với một cố định các dấu vếtđồng hồ và quá trình ngẫu nhiên ngắt countermeasure được kích hoạt. Show trượt cửa sổ DPA là vừa phải tốt hơn so với các liên kết đàn hồi lúc đối phó với chỉ RPIs như countermeasure. Điều này có thể do tiếng ồn ảnh hưởng đến năng động thích ứng của liên kết đàn hồi. Tuy nhiên, ngay sau khi được giới thiệu thậm chí là một chiếc đồng hồ hơi không ổn định, đàn hồi chỉnh là tốt hơn nhiều lúc khôi phục đỉnh DPA do của nó đồng bộ hóa năng động với dấu vết của tài liệu tham khảo. Các thí nghiệm phù hợp với những kinh nghiệm của chúng tôi trên các thẻ khác, là triển khai chủ yếu là với các phần cứng DES. Đáng tiếc là chúng tôi không hoàn toàn kiểm soát những việc triển khai, và họ do đó ít phù hợp cho các thử nghiệm có cấu trúc. Chỉnh đàn hồi cũng xuất hiện để làm việc khi dấu vếtnén xuống tần số của đồng hồ nội bộ, và, với hội nhập thích hợp tín hiệu, cũng trên EM dấu vết. Trong một số trường hợp, đàn hồi chỉnh đã đóng một vai trò quan trọng trong phá vỡ một thẻ bằng cách sử dụng CPA trong một số dấu vết bị chặn.5.1 cuộc thảo luận và làm việc trong tương laiBên cạnh các thuật toán cơ bản bám sát đàn hồi như trình bày trong bài báo này, chúng tôi đã thực hiện một số các tính năng thử nghiệm khác. Một là khả năng tách dọc con đường phát hiện và ứng dụng: chúng tôi cho phép phát hiện warppaths trên một tập hợp các dấu vết, và áp dụng chúng cho một tập hợp các dấu vết. Nếu các thiết lập khác của các dấu vết có một số mẫu khác nhau, đường cong thu nhỏ lại để phù hợp với điều này. Điều này cho phép chúng tôi tính ví dụ như một sự liên kết ở cấp độ của một mẫu cho một đồng hồ, trong khi sửa chữa misalignment trong dấu vết với nhiều mẫu cho đồng hồ. Các thí nghiệm và kết quả là sơ bộ, nhưng Hiển thị tiềm năng thú vị. Khi thực hiện chỉnh đàn hồi, chúng tôi hoàn toàn vi phạm điều kiện tiên quyết đầu tiên và cuối các mẫu cặp dấu vết được liên kết. Chỉnh đàn hồi có thể phục vụ cho điều này bằng cách kết hợp phần đầu tiên hoặc cuối cùng của một trong những dấu vết để chỉ một vài mẫu khác; Tuy nhiên, chúng ta hình dung liên kết có thể được cải thiện nếu cả hai mẫu đầu tiên và cuối cùng của cặp dấu vết được liên kết. Điều này có thể được thực hiện bằng cách cho phép biến đổi chiều dài các dấu vết và sử dụng mô hình phù hợp để tìm các vị trí của các mẫu đầu tiên và cuối. Một cách để giảm tác động của tiếng ồn trên liên kết là để thay đổi cách FastDTW các biện pháp khoảng cách giữa từng mẫu. Bây giờ điều này thực hiệnbởi sự khác biệt tuyệt đối của họ, nhưng người ta có thể xem xét việc thêm mẫu vào tài khoản. Điều này được thực hiện bởi ví dụ bằng cách sử dụng khoảng cách trung bình trọng giáp ranh mẫu, hoặc bởi sự tương quan của dấu vết những mảnh vỡ. Điều này một cách hiệu quả 'làm mềm' khoảng cách hoạt động và có khả năng hủy bỏ một số trong những ảnh hưởng của tiếng ồn trong các mẫu riêng lẻ.6 acknowledgmentsChúng tôi muốn cảm ơn Fred de Beer cho ý kiến hữu ích và các thảo luận liên quan đến sự liên kết đàn hồi. Ngoài ra, chúng tôi rất biết ơn đối với những ý kiến hữu ích về các phiên bản trước của bài báo này từ những người đánh giá nặc danh. Chúng tôi cũng cảm ơn Nick Towner đã xem xét một phiên bản trước giấy này. Cuối cùng, chúng tôi đang mắc nợ Federico Menarini và Eloi Sanfelix Gonzalez đã cung cấp cho chúng tôi với bộ theo dõi được sử dụng trong các thí nghiệm.

Kết quả (Việt) 2:

5 Kết luận
Trong bài báo này, chúng tôi mô tả và thử nghiệm với sự liên kết đàn hồi, một thuật toán cho việc sắp xếp dấu vết bộ khi không thẳng hàng có mặt. Các liên kết đàn hồi được thiết kế để có thể áp dụng thực tế trong bối cảnh thực hiện phân tích kênh bên trong sự hiện diện của quá trình ngắt ngẫu nhiên và đồng hồ không ổn định. Chúng tôi sử dụng FastDTW, độ phức tạp tuyến tính biến thể của thuật toán cong vênh thời gian năng động, cho sự liên kết. Năng động, thời gian bị cong vênh đo khoảng cách giữa hai dấu vết và tạo ra một con đường dọc đó mô tả một kết hợp thời gian phi tuyến của cả hai. Chúng tôi sử dụng con đường dọc này để sắp xếp một cặp dấu vết. Bằng cách chọn một dấu vết như một tài liệu tham khảo, chúng tôi do đó có thể lặp lại quá trình này để đàn hồi sắp xếp một toàn bộ dấu vết bộ. Theo thiết kế, các nỗ lực liên kết đàn hồi đến trên toàn cầu tối ưu hóa sự liên kết. Điều này ngụ ý rằng ở mọi độ phân giải, có thể là quá trình, giảng dạy, đồng hồ hoặc subclock, một sự liên kết tốt có thể được tìm thấy. Đối với phân tích kênh bên này là hữu ích như các dấu vết có thể được phân tích ở độ phân giải khác nhau. Các chỉ số đầu vào cho thuật toán là FastDTW bán kính, hoạt động như một tốc độ so với chất lượng thương mại-off. Điều này trái ngược trượt cửa sổ DPA, đòi hỏi kiến thức về các thông số cụ thể hai mục tiêu: độ dài chu kỳ đồng hồ, và sự lây lan của đỉnh DPA trong chu kỳ đồng hồ khác nhau. Có ít hơn và dễ dàng lựa chọn các thông số làm cho hiệu quả của việc phân tích kênh phụ ít phụ thuộc vào người sử dụng thực hiện nó. Các thí nghiệm được thực hiện dựa trên các dấu vết thu được từ một thẻ với một cố định
đồng hồ và quá trình ngẫu nhiên ngắt biện pháp đối phó được kích hoạt. Những chương trình trượt cửa sổ DPA là vừa phải tốt hơn so với liên kết đàn hồi đối phó với chỉ RPIs như biện pháp đối phó. Đây có lẽ là do tiếng ồn ảnh hưởng đến sự thích ứng năng động của liên kết đàn hồi. Tuy nhiên, ngay khi ngay cả một đồng hồ hơi không ổn định được giới thiệu, liên kết đàn hồi là tốt hơn nhiều lúc hồi phục đỉnh DPA do đồng bộ hóa năng động của nó với các dấu vết tham khảo. Các thí nghiệm phù hợp với kinh nghiệm của chúng tôi trên các thẻ khác, mà chủ yếu là triển khai thực hiện với phần cứng cơ DES. Thật không may, chúng tôi không hoàn toàn kiểm soát những hiện thực, và do đó họ ít thích hợp cho thử nghiệm có cấu trúc. Đàn hồi kết cũng xuất hiện để làm việc khi dấu vết được
nén xuống với tần số của đồng hồ nội bộ, và, với sự tích hợp tín hiệu thích hợp, cũng vào vết EM. Trong một số trường hợp, liên kết đàn hồi đã đóng một vai trò quan trọng trong việc phá vỡ một thẻ sử dụng CPA trong một số bị chặn các dấu vết.
5.1 Thảo luận và công việc tương lai
Bên cạnh đó các thuật toán liên kết đàn hồi cơ bản như đã trình bày trong bài báo này, chúng tôi đã thực hiện một số khác tính năng thử nghiệm. Một là khả năng tách sợi dọc đường phát hiện và ứng dụng: chúng tôi cho phép phát hiện các warppaths trên một tập hợp các dấu vết, và áp dụng chúng vào một tập hợp các dấu vết. Nếu các thiết lập khác của các dấu vết có một số khác nhau của các mẫu, các con đường dọc được thu nhỏ để phù này. Điều này cho phép chúng tôi để ví dụ tính toán một sự liên kết ở cấp độ của một mẫu cho mỗi đồng hồ, trong khi sửa chữa sai lệch trong các dấu vết với nhiều mẫu cho mỗi đồng hồ. Các thí nghiệm và kết quả là sơ bộ, nhưng cho thấy tiềm năng thú vị. Khi thực hiện liên kết đàn hồi, chúng ta mặc nhiên vi phạm các điều kiện tiên quyết là các mẫu đầu tiên và cuối cùng của cặp dấu liên kết. Đàn hồi liên kết có thể phục vụ cho điều này bằng cách kết hợp phần đầu tiên hoặc cuối cùng của một dấu vết để chỉ một vài mẫu trong khác; Tuy nhiên, chúng tôi hình dung các liên kết có thể được cải thiện nếu cả hai mẫu đầu tiên và cuối cùng của cặp dấu liên kết. Điều này có thể được thực hiện bằng cách cho phép các dấu vết dài biến và sử dụng các mô hình phù hợp để tìm vị trí của các mẫu đầu tiên và cuối cùng. Một cách để giảm bớt ảnh hưởng của tiếng ồn trên sự liên kết là để thay đổi cách FastDTW đo khoảng cách giữa các mẫu riêng biệt. Bây giờ điều này được thực hiện
bởi sự khác biệt tuyệt đối của họ, nhưng người ta có thể xem xét việc thêm mẫu vào tài khoản. Điều này được thực hiện bằng cách ví dụ bằng cách sử dụng khoảng cách trung bình có trọng số của các mẫu lân cận, hoặc bằng tương quan của các mảnh vỡ dấu vết. Điều này có hiệu quả 'làm mềm' chức năng khoảng cách và có khả năng hủy bỏ một số ảnh hưởng của tiếng ồn trong các mẫu riêng biệt.
6 Lời cảm ơn
Chúng tôi xin cảm ơn Fred de Beer cho ý kiến và thảo luận hữu ích về sự liên kết đàn hồi. Ngoài ra, chúng tôi rất biết ơn những ý kiến hữu ích về các phiên bản trước của bài viết này từ các nhà phê bình ẩn danh. Chúng tôi cũng cảm ơn Nick Towner để rà soát một phiên bản trước đó bài báo này. Cuối cùng, chúng ta đang mắc nợ Federico Menarini và Eloi Sanfelix Gonzalez để cung cấp cho chúng tôi với bộ dấu vết sử dụng trong các thí nghiệm.