Trong pha lập mẫu, bộ phân lớp CNNd được huấn luyện với các vết điện năng
thu được từ thiết bị mẫu Hình 3 8 mô tả độ chính xác của CNNd thay đổi theo số
epochs Độ chính xác của CNNd tăng khi số epochs tăng lên chứng tỏ CNNd có khả
năng tổng quát hóa dữ liệu khá tốt Với số lượng epoch từ 80 đến 100 độ chính xác tăng không đáng kể nên không cần thiết sử dụng số epoch lơn hơn 100 Hình 3 8 cũng
mô tả độ chính xác của CNNP của Prouf và CNNZ của Zaid với cùng bộ dữ liệu huấn
luyện Kết quả cho thấy rằng CNNd có độ chính xác lớn nhất bởi nó được xây dựng
với định hướng học các POIs, tạo các đặc trưng kết hợp của vết điện năng tiêu thụ của thiết bị mặt nạ
Hình 3 8 Hiệu quả phân lớp của CNNd
Trong pha tấn công, mô hình CNNd đã được huấn luyện ở bước trên được sử
dụng để xác định xác suất các vết điện năng tiêu thụ mới thuộc vào một lớp �� từ 0
đến 255 Khi sử dụng một số lượng �� vết điện năng tiêu thụ, tương ứng với các bản
rõ �� = 1:(� �� ) để tấn công, ước lượng hợp lý của các khóa � (� ����(� = � + �� ))
nhận các giá trị từ 0 đến 255 cho bởi Hình 3 9 Giá trị khóa � = 224 có ước lượng
bị Giá trị này đúng với khóa được sử dụng trong bộ dữ liệu ASCAD Điều này chứng tỏ phương pháp tấn công đề xuất có khả năng tìm được khóa đúng của thiết bị
Hình 3 9 Điểm số quyết định của các khóa đối với bộ dữ liệu ASCAD Về độ tin cậy của việc tìm khóa đúng, Hình 3 10 mô tả ước lượng hợp lý của khóa đúng so với các khóa sai theo số lượng vết điện năng tiêu thụ được sử dụng trong tấn công Khi số lượng vết tăng lên, sự phân biệt giữa khóa đúng và khóa sai cũng tăng theo Điều này chứng tỏ việc xác định khóa đúng của phương pháp tấn công đề xuất là có thể tin cậy
Hình 3 10 Điểm số quyết định của các khóa theo số vết tấn công Về hiệu quả tấn công, Hình 3 11 mô tả hạng của khóa đúng theo số lượng vết điện năng tiêu thụ được sử dụng trong pha tấn công với các phương pháp khác nhau
Tấn công mẫu [32]
Tấn công dựa trên
CNNp [32]
Tấn công dựa trên
CNNz [33]
Tấn công dựa
trên CNNd
450 1 146 191 146
Với tấn công sử dụng mô hình CNNz do Zaid [33] đề xuất có tốc độ hội tụ về 0 chậm
hơn so với tấn công sử dụng CNNd Điều này chứng tỏ, phương pháp tấn công đề
xuất sử dụng CNNd cần ít vết điện năng tiêu thụ hơn để có thể tìm được khóa đúng
So sánh số lượng vết điện năng tiêu thụ được sử dụng để tấn công có tìm được khóa
đúng được thể hiện trên Bảng 3 6 Tấn công sử dụng CNNd cho hiệu quả tốt nhất, số
lượng vết điện năng tiêu thụ để tìm được khóa đúng giảm từ 191 còn 146 tương ứng
với lượng giảm là 23% Kết quả này có được là nhờ kiến trúc bộ phân lớp CNNd được
xây dựng dựa trên cơ sở định hướng việc học các POIs và tạo ra các đặc trưng kết hợp giữa các POIs phục vụ cho việc quyết định nhãn của vết điện năng tiêu thụ của thiết bị mặt nạ
Hình 3 11 So sánh giá trị GE giữa các phương pháp với bộ dữ liệu ASCAD Bảng 3 6 So sánh số vết để GE=0 đối với các phương pháp tấn công khác nhau