Tehnike učenja višestrukosti za povećanje učinkovitosti analize koja koristi sporedna svojstva kriptografskih uređaja

diplomski rad

• Naslov (engleski): Manifold Learning Techniques for Increased Efficiency of Side-Channel Analysis
• Autor: Eugen Vušak
• Mentor: Alan Jović (mentor)
• Član povjerenstva: Alan Jović (predsjednik povjerenstva)
• Član povjerenstva: Vlado Sruk (član povjerenstva)
• Član povjerenstva: Stjepan Groš (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-07-13, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Cilj ovog diplomskog rada je razmotriti primjenu postupaka učenja mnogostrukosti kako bi se povećala učinkovitost analize koja koristi sporedna sredstva kriptografskih uređaja (SCA). U sklopu toga detaljno su opisana polja SCA i smanjenja dimenzionalnosti te za njih specifične metode korištene u tom polju. Iako je naglasak u ovom radu na metodama učenja mnogostrukosti, kao jedna od referentnih metoda uzeta je i vrlo popularna metoda za smanjenje dimenzionalnosti, PCA. Dodatno je korištena hibridna metoda smanjenja dimenzionalnosti koja prije metoda učenja mnogostrukosti izvodi metodu rijetkih slučajnih projekcija kako bi se napravila transformacija u međuprostor. Za konačnu klasifikaciju koristi se metoda slučajnih šuma zbog velike otpornosti na smetnje.

Sažetak (engleski)

This master's thesis aims to study the application of manifold learning techniques with the intent of increasing the efficiency of side-channel analysis (SCA). With this in mind, both SCA and dimensionality reduction fields, along with their respected practices, are described. Even though the emphasis in this paper is on manifold learning, as one of the reference methods, the highly popular PCA method for dimensionality reduction was also considered. Additionally, a hybrid dimensionality reduction method was applied, in which, before the manifold learning method, sparse random projections are performed to transform data into interspace. The random forest method is used for the final classification due to its high resistance to noise.

• Ključne riječi: učenje mnogostrukosti; analiza koja koristi sporedna svojstva (SCA); entropija pogađanja (GE); smanjenje dimenzionalnosti; AES
• Ključne riječi (engleski): manifold learning; side-channel analysis (SCA); guessing entropy (GE); dimensionality reduction; AES
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:313559
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 14:17:26