FenixEdu™

Dissertação

{pt_PT=Improving DPA analysis with distributed computing using OpenCL} {} EVALUATED

Detalhes: {pt=Os ataques de análise diferencial de potência (DPA) permitem descobrir a chave secreta contida em sistemas embebidos seguros ao explorar a correlação entre a potência consumida por um dispositivo e a informação processada pelo mesmo. Geralmente, a computação envolvida é simples. Contudo, quando é usado um grande número de registos de potência, que por sua vez são compostos por um grande número de amostras, então a computação, aumenta atingindo níveis muito elevados. Nesta tese, propusemo-nos acelerar estes ataques em hardware paralelo. Focámo-nos essencialmente sobre os ataques que utilizam o coeficiente de correlação, em vez da diferença de média, como o teste estatístico. Estes ataques são conhecidos como análise de correlação de potência (CPA)". Usámos a biblioteca "OpenCL" para distribuir a quantidade de trabalho sobre uma plataforma heterogénea, composta por uma unidade central de processamento (CPU) e múltiplos aceleradores, tais como os GPUs. Para aumentar o paralelismo de informação, o algoritmo do ataque sofreu algumas modificações, principalmente no cálculo do coeficiente de correlação de Pearson, uma vez que, este ocupa a maioria do tempo de execução (aproximadamente 80%). Também otimizámos a computação do ataque ao minimizar os dados transferidos entre o processador principal ("host") e os GPUs, escondendo a latência de memória. Os resultados obtidos demostram que o uso de sistemas heterogéneos melhora consideravelmente o tempo da ferramenta, até 9x mais, quando comparado com a implementação paralela de referência. , en=Differential Power Analysis (DPA) attacks allow discovering the secret key stored into secure embedded systems by exploiting the correlation between the power consumed by a device and the data processed by that device. However, there is electric noise in the power signal, meaning that a large number of power traces need to be used to obtain reliable results. The involved computation is generally simple, however, if a large number of power traces are used, which in turn can be composed by a large number of samples, then the computation will significantly increase, reaching demanding levels of computing power. This work focuses on a DPA computation based on massively parallel computation systems. In par- ticularly, this analysis concentrates on attacks that use the correlation coefficient instead of difference of means as the statistical test. These attacks are called Correlation Power Analysis (CPA). To do so, we used the OpenCL framework to distribute the workload of the attack on a heterogeneous platform com- posed by a CPU and multiple accelerators, such as GPUs. In order to enhance data parallelism, some algorithm modifications were made, especially in the computation of Pearson’s correlation coefficient, as it covers approximately 80% of the overall execution time. Furthermore, the computation of the attack is optimized by minimizing the transferred data between the host processor and the GPUs, hiding the memory latency. Obtained results suggest that the use of heterogeneous systems can have a wide performance boost, up to 9x, when compared with the reference parallel implementation. }
Keywords: {pt=Análise Diferencial de Potência, Computação Distribuída, Open Computing Language (OpenCL), Coeficiente de correlação de Pearson, Unidade de Processamento Gráfico, en=Differential Power Analysis (DPA), Distributed Computing, Parallelism Process, Open Computing Language (OpenCL), Pearson Correlation Coefficient, Graphics Processing Unit (GPU)}

Discussão: novembro 11, 2014, 9:0