Dissertação

Choosing the future of Lightweight Encryption algorithm EVALUATED

A criptografia leve é um campo que tem vindo a crescer muito nos últimos anos, devido à explosão da Internet das Coisas (IoT). Esta tem como objetivo desenvolver algoritmos para operar com recursos limitados (memória, poder de processamento e energia). Esta tese tem como objetivo aprofundar o estado da arte, analisando e selecionando um conjunto de cifras leves, e otimizá-las, visando uma classe de processadores amplamente utilizado em IoT (ARM Cortex-M3). A análise realizada considera diferentes métricas como o tamanho do código, tempo de execução e consumo de energia. As cifras selecionadas foram AES, CLEFIA, NOEKEON, PRESENTE, RETANGULAR, RoadRunneR, SPARX e SPECK. Estas foram melhoradas utilizando técnicas como a otimização baseada em tabelas, bit-slicing e otimizações de código (por exemplo: reorganização de operações, inlining de funções, unrolling, etc.). A otimização baseada em tabelas melhorou a performance do AES e do CLEFIA em mais de 10x. Para o NOEKEON é proposta uma implementação que melhora a performance em 3.2x reduzindo o tamanho do código em 21%. A otimização proposta para o RECTANGLE é 1% mais rápida e 10% mais pequena que a versão otimizada em C dos seus autores. O SPARX é 2.72x mais rápido e 1% mais pequeno que a versão otimizada em C dos seus autores. A performance do SPECK foi melhorada em 1.4x, com um custo de 5% em tamanho de código. Finalmente, é também apresentada uma análise do consumo de energia das cifras com valores obtidos experimentalmente, algo que não se encontra no estado da arte.
Criptografia Leve, Cifras de Bloco, Internet das Coisas (IoT), Processador ARM Cortex-M3, Optimização de Performance, Consumo de Energia

Novembro 8, 2018, 17:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Ricardo Jorge Fernandes Chaves

Departamento de Engenharia Informática (DEI)

Professor Associado

ORIENTADOR

Tiago Miguel Braga da Silva Dias

ISEL - Instituto Superior de Engenharia de Lisboa

Professor Adjunto