bahoek/Divergent_Scalability_blind_side_channel_attack

# 1D-CNN-Kyber-SCA：主流 CNN 在多系数 Kyber 侧信道攻击中的差异化扩展性 本仓库包含了论文的官方 PyTorch 实现与评估框架： **“主流 CNN 在多系数 Kyber 侧信道攻击中的差异化扩展性”**。 该框架提供了一个系统化、并行的多头基准测试 pipeline，旨在分析主流 1D-CNN 主干网络（MobileNet V2 和 EfficientNet-B0）在针对 CRYSTALS-Kyber (ML-KEM) 数论变换 (NTT) 域的非单调物理泄漏条件下的梯度动态、多任务扩展性和收敛行为。 ## 🛡️ 知识产权 (IP) 保护与二进制解耦 为了遵守严格的保密政策并保护专有的实验室研究基础设施——包括目标微控制器固件实现（STM32F415）、硬件级 Barrett 归约模拟器以及动态子比特代数切片 pipeline——原始的密码学模拟层已在结构上实现了解耦。 本仓库中提供的数据流接口旨在接收**预编译的二进制矩阵 (`.npz`)**，其中包含了预同步的原始功耗轨迹和向量化真值矩阵。 - **输入维度：** 每次输入传递处理一个形状为 $40,000 \times 1$ 的 1D tensor，涵盖了通过 Fixed-vs-Random TVLA（$|t_{\max}| = 108.62$）验证的完整 *BaseMul* 运算阶段。 - **输出矩阵：** 切片通过 Z-score 缩放映射到标准化空间中，以确保在代表 $N \times 256$ 个独立类别概率的多头分类框架中实现均匀的信号分布，其中 $N \in \{9, 19, 29, 39\}$。 这种设计确保了在神经网络扩展、多任务梯度正则化和猜测熵收敛轨迹方面 100% 的架构可复现性，同时不会暴露机密的密码学或硬件配置。 ## 🧠 核心架构组件 该仓库为适配 1D 时间序列功耗分析的两种根本差异化的深度学习范式提供了自动化扩展能力： 1. **MobileNet V2 (`ScalableTargets`)：** 利用倒残差和深度可分离卷积来分解空间特征处理，有效隔离时间泄漏子区域，并减轻高维任务扩展期间的垂直梯度冲突。 2. **EfficientNet-B0 (`ScalableTargets`)：** 实现了复合缩放系数定律以及 Squeeze-and-Excitation (SE) 通道注意力块，用于评估由局部背景噪声放大引发的非单调漏洞模式。 ## 📂 仓库布局 ``` ├── data/ │ ├── sanitised_sca_train.npz # Pre-compiled multi-head training dataset │ ├── sanitised_sca_val.npz # Pre-compiled validation dataset │ └── sanitised_sca_test.npz # 20,000 high-fidelity evaluation traces ├── models/ │ └── scalable_target_model_head_* # Saved golden weights (.pth) at peak metrics ├── train_mobilenetv2.py # Parallel profiling execution engine for MobileNetV2 ├── train_efficientnet.py # Parallel profiling execution engine for EfficientNet-B0 └── evaluate_guessing_entropy.py # Bayesian log-likelihood accumulator & EPS vector engine ```

标签：PyTorch, 侧信道攻击, 凭据扫描, 功耗分析, 后量子密码, 密码分析, 深度学习, 逆向工具