| On the complementarity of software and side channel attacks against deep Learning Algorithms (Étude de la complémentarité des attaques logicielles et par canaux auxiliaires contre des algorithmes basé sur l'apprentissage profond) Coqueret, Benoit - (2025-12-17) / Université de Rennes On the complementarity of software and side channel attacks against deep Learning Algorithms
| |||
Langue : Anglais Directeur(s) de thèse: Sentieys, Olivier; Carbone, Mathieu; Zaid, Gabriel Discipline : Iinformatique Laboratoire : INRIA-RENNES Ecole Doctorale : MATISSE Classification : Informatique Mots-clés : Réseaux Neuronaux Profonds, Attaque par Canal Auxiliaire, Extraction de modèle, Attaque par Evasion
| |||
Résumé : Les modèles de réseaux neuronaux profonds sont de plus en plus populaires, et les meilleurs modèles constituent désormais une propriété intellectuelle précieuse. Cependant, leur grande valeur et la surface d'attaque accrue causée par leur déploiement sur des systèmes embarqués ont conduit les attaquants à envisager de nouveaux types d'attaques, telles que les attaques par canaux auxiliaires. En conséquence, de nouveaux chemins d'attaque continuent d'apparaître, limitant la capacité des défenseurs à définir des contremesures efficaces. Pour limiter ces problèmes, cette thèse propose de se concentrer sur de nouvelles méthodologies d'attaque afin de démontrer l'impact des attaques par canal auxiliaire et pourquoi elles devraient être considérées. Cette thèse peut être subdivisée en deux parties. La première concerne l'amélioration des attaques existantes contre les algorithmes d'apprentissage profond à l'aide d'attaques par canal auxiliaire. Nous améliorons la faisabilité des attaques par évasion et l'extraction de modèles en ciblant deux fonctions d'activation populaires, les fonctions softmax et ReLU. Dans la deuxième partie de cette thèse, nous étudions l'impact de la quantification sur l'extraction de modèles et démontrons la nécessité d'introduire de nouvelles voies d'attaque basées sur les attaques par canal auxiliaire. Enfin, nous décrivons comment l'extraction de modèles basée sur la cryptanalyse ne permet pas extraire les DNNs quantifiés et présentons deux nouvelles attaques d'extraction de modèles basées sur la fidélité utilisant les canaux auxiliaires. Abstract : Deep Neural Networks (DNNs) are becoming increasingly popular, and state-of-the-art models are now valuable intellectual property. However, the combination of their high value and increased attack surface caused by their deployment at the edge, has led attackers to consider new types of attack, such as side-channel attacks. As such, new attack paths continue to emerge, limiting the ability of defenders to define a security perimeter. To mitigate these issues, this thesis proposes focusing on new attack methodologies to demonstrate the impact of side-channel attacks and why developers should consider them. This thesis can be subdivided into two main studies. The first one is related to improving already existing attacks against DNNs using side-channel attacks. We enhance the feasibility of evasion and model extraction attacks by targeting two popular activation functions, the softmax and the ReLU functions. In the second part of this thesis, we investigate the impact of quantization on model extractions and demonstrate the need to introduce new attack paths based on side-channel attacks. Finally, we describe how model extraction based on cryptanalysis failed to extract quantized DNNs and present two new fidelity-based model extraction attacks using side-channel analysis. | |||