Разработка ML-системы обнаружения атак на криптографические функции

Abstract

Проанализированы особенности современных криптографических алгоритмов, уязвимости их программно-аппаратной реализации, методы проведения атак по побочным каналам и применимость методов машинного обучения для детекции аномального поведения вычислительных систем. Представлены концептуальная архитектура ML-системы обнаружения кибератак и методы предварительной обработки зашумленных измерительных сигналов профилей выполнения операций. Реализованы программные модули интеллектуального обнаружения аномалий и проведено обучение нейросетевого автокодировщика, функционирующего в режиме обучения без учителя, а также классических алгоритмов One-Class SVM и Random Forest. Проведено экспериментальное тестирование разработанной системы в условиях имитации различных сценариев атак и выполнен сравнительный анализ эффективности моделей на основе метрик качества классификации.