Tổng quan về luận án

Nghiên cứu an toàn phần cứng mật mã hiện đại đang chứng kiến bước chuyển dịch quan trọng từ thám mã thuật toán truyền thống sang phân tích kênh kề (Side-Channel Attack - SCA). Theo nguyên lý Kerckhoffs (1883), "một hệ mật được cho là an toàn nếu người tấn công biết chi tiết về hệ thống ngoại trừ khóa mã". Tuy nhiên, trong thực tế triển khai vật lý trên nền tảng vi mạch bán dẫn bù kim loại-oxit (CMOS), quá trình chuyển đổi trạng thái logic $0 \to 1$ hoặc $1 \to 0$ của các cổng logic luôn làm tiêu hao năng lượng động $P_{dyn} = \alpha C_L V_{DD}^2 f$. Sự phụ thuộc tất yếu giữa điện năng tiêu thụ tức thời và dữ liệu xử lý trung gian nhạy cảm đã mở ra cánh cửa cho các cuộc tấn công phân tích điện năng tiêu thụ (Power Analysis Attacks), đe dọa trực tiếp tính toàn vẹn và bí mật của các thuật toán mã hóa khối tiêu chuẩn như AES-128.

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án tiến sĩ của NCS Trần Ngọc Quý tại Học viện Kỹ thuật Mật mã giải quyết bao gồm:

  1. Độ suy giảm tỷ số tín hiệu trên nhiễu ($SNR$) nghiêm trọng trong môi trường đo thực tế khiến các phương pháp tấn công không bản mẫu kinh điển như CPA (Brier et al., 2004) hoàn toàn mất khả năng phân biệt khóa đúng khi nhiễu môi trường và nhiễu vi mạch lấn át tín hiệu rò rỉ.
  2. Hiện tượng bùng nổ số chiều và dư thừa dữ liệu tại các điểm quan tâm (Points of Interest - POIs) trong tấn công có bản mẫu (Profiled Attack), nơi các phương pháp lọc thông thường (SOSD, SOST, CPA) và kỹ thuật giảm chiều dữ liệu tuyến tính (PCA) thất bại trong việc loại bỏ tính tương quan chéo giữa các điểm lấy mẫu có nhiễu.
  3. Sự phức tạp phi tuyến và phân tán không gian rò rỉ của các thiết bị có phòng vệ bằng cơ chế mặt nạ (Masking Countermeasure - Chari et al., 2002; Goubin & Patarin, 1999), nơi các kiến trúc mạng học sâu thông thường (CNN, MLP) dễ rơi vào trạng thái quá khớp (overfitting) hoặc đòi hỏi không gian tham số khổng lồ nhưng thiếu phương pháp luận tối ưu hóa có cấu trúc.

Luận án thiết lập 3 câu hỏi nghiên cứu (Research Questions - RQ) và 3 giả thuyết khoa học (Hypotheses - H) tương ứng:

  • RQ1: Làm thế nào để phân tách thích nghi và loại bỏ nhiễu dải rộng khỏi các vết điện năng tiêu thụ phi dừng mà không làm méo mó thành phần rò rỉ thông tin của mạch điện mật mã?
    • H1: Kỹ thuật phân tích mode biến phân (VMD) có khả năng phân rã tín hiệu điện năng thành các mode băng hẹp với tần số trung tâm xác định, giữ lại thành phần rò rỉ cực đại của phép biến đổi S-box và hạ thấp số lượng vết đo cần thiết $N_a$ để khôi phục khóa đúng.
  • RQ2: Cơ chế lựa chọn đặc trưng nào tối ưu hóa được độ chính xác phân loại của mô hình học máy Support Vector Machine (SVM) trên vết điện năng có nhiễu?
    • H2: Sự kết hợp giữa phép lọc dải thích nghi VMD và phép trực giao hóa Gram-Schmidt (GSO) sẽ loại bỏ tính phụ thuộc tuyến tính giữa các điểm mẫu, thiết lập tập POIs tối tiểu nhưng mang lượng thông tin ranh giới cực đại cho bộ phân lớp SVM.
  • RQ3: Làm thế nào để cấu hình tối ưu cấu trúc mạng nơ-ron tích chập (CNN) nhằm trích xuất tự động các rò rỉ bậc cao trên thiết bị mã hóa AES có mặt nạ bảo vệ?
    • H3: Một kiến trúc mạng CNN được tối ưu hóa siêu tham số bằng thuật toán bầy sói xám (Grey Wolf Optimizer - GWO) sẽ hội tụ nhanh hơn và đạt mức entropy phỏng đoán $GE = 0$ với số lượng vết tấn công ít hơn đáng kể so với các mô hình tiêu chuẩn quốc tế.

Khung lý thuyết của luận án tích hợp chặt chẽ giữa lý thuyết mật mã phần cứng, xử lý tín hiệu số hiện đại (biến đổi biến phân, lọc Wiener), đại số tuyến tính hình học (trực giao hóa Hilbert) và trí tuệ nhân tạo (học máy thống kê SVM, học sâu tích chập CNN kết hợp thuật toán tối ưu hóa bầy đàn siêu phỏng sinh học GWO).

Phạm vi thực nghiệm của luận án tập trung trên chuẩn mã hóa tiên tiến AES-128 thực thi trên vi điều khiển 8-bit ATmega8515 (dạng thẻ thông minh smartcard), hệ thống phần cứng đo kiểm tiêu chuẩn công nghiệp SAKURA-G/W, cùng 3 tập dữ liệu quy mô lớn: tập dữ liệu thực nghiệm ACT-TRACES (50.000 vết, 85.000 mẫu/vết), tập dữ liệu DPA-V4 (100.000 vết) và tập dữ liệu quy chuẩn quốc tế ANSSI ASCAD (60.000 vết, 700 mẫu/vết). Nghiên cứu đáp ứng trực tiếp các yêu cầu khắt khe về an toàn phần cứng mô-đun mật mã cấp độ 4 theo các tiêu chuẩn quốc tế ISO/IEC 19790:2012, NIST FIPS 140-3 và tiêu chuẩn Việt Nam TCVN 11295:2016.

+-----------------------------------------------------------------------------------+
|                        KHUNG KIẾN TRÚC NGHIÊN CỨU CỦA LUẬN ÁN                     |
+-----------------------------------------------------------------------------------+
                                          |
        +---------------------------------+---------------------------------+
        |                                                                   |
        v                                                                   v
+-------------------------------+                         +---------------------------------+
| THIẾT BỊ KHÔNG PHÒNG VỆ       |                         | THIẾT BỊ CÓ PHÒNG VỆ MẶT NẠ     |
| (Unprotected AES-128 Engine)  |                         | (Masked Protected AES-128)      |
+-------------------------------+                         +---------------------------------+
        |                                                                   |
        +-------------------------------+                                   |
        |                               |                                   v
        v                               v                         +-------------------------+
+-----------------------+   +-----------------------+             | Mô hình phân lớp CNNd   |
| Tấn công không mẫu    |   | Tấn công có bản mẫu   |             | Tối ưu hóa tham số GWO  |
| Đề xuất: VMD-CPA      |   | Đề xuất: VMD-GSO-SVM  |             | Đề xuất: CNN-D          |
+-----------------------+   +-----------------------+             +-------------------------+
        |                               |                                   |
        v                               v                                   v
[Lọc nhiễu Wiener/Gauss]     [Xếp hạng trực giao POIs]             [Học rò rỉ bậc cao tự động]
[Trích xuất mode cục bộ]     [Tối ưu hóa biên độ SVM]             [Khôi phục khóa trên ASCAD]
        |                               |                                   |
        +-------------------------------+-----------------------------------+
                                          |
                                          v
                    +-------------------------------------------+
                    | ĐÁNH GIÁ CHUẨN HÓA VÀ MINH CHỨNG          |
                    | Metric: Guessing Entropy (GE -> 0)        |
                    | Số lượng vết đo tối thiểu (Na)            |
                    | Chuẩn ISO/IEC 19790:2012, FIPS 140-3      |
                    +-------------------------------------------+

Literature Review và Positioning

Lịch sử phát triển của tấn công phân tích kênh kề ghi nhận sự phân nhánh rõ rệt giữa hai trường phái: tấn công không có bản mẫu (Non-Profiled Attacks - NPA) và tấn công có bản mẫu (Profiled Attacks - PA).

                                  TIẾN TRÌNH TIÊU BIỂU CỦA LÝ THUYẾT SCA
                                  
  1999 (Kocher et al.)           2002 (Chari et al.)            2004 (Brier et al.)          2012-2020 (Machine/Deep Learning)
  +--------------------+        +---------------------+        +--------------------+        +-------------------------------+
  | Khởi xướng DPA     |  --->  | Đề xuất Template    |  --->  | Chuẩn hóa CPA      |  --->  | Học máy (SVM, RF)             |
  | Phân tích vi sai   |        | Attack (Phân bố     |        | Tương quan Pearson |        | Học sâu (MLP, CNNz - Zaid)    |
  | trung bình         |        | Gauss đa biến MVND) |        | Trọng số Hamming   |        | Lựa chọn POI (SOSD, PCA, NB)  |
  +--------------------+        +---------------------+        +--------------------+        +-------------------------------+
                                                                                                             |
                                                                                                             v
                                                                                             +-------------------------------+
                                                                                             | CÔNG TRÌNH LUẬN ÁN (2022)     |
                                                                                             | - Đề xuất VMD-CPA             |
                                                                                             | - Đề xuất VMD-GSO-SVM         |
                                                                                             | - Đề xuất CNN-D tối ưu GWO    |
                                                                                             +-------------------------------+

NPA khởi đầu từ công trình đột phá của Kocher et al. (1999) với kỹ thuật Phân tích điện năng tiêu thụ vi sai (DPA), chia tập vết đo thành các nhóm dựa trên giá trị của một bit đơn mục tiêu và tính độ lệch giá trị trung bình (Difference of Means - DoM). Brier et al. (2004) nâng tầm phương pháp luận khi chuẩn hóa kỹ thuật Phân tích điện năng tiêu thụ tương quan (CPA), sử dụng hệ số tương quan tuyến tính Pearson $\rho$ để so sánh điện năng tiêu thụ thực tế với mô hình giả định dựa trên Trọng số Hamming (Hamming Weight - HW) hoặc Khoảng cách Hamming (Hamming Distance - HD). Mặc dù CPA trở thành công cụ kiểm chuẩn tiêu chuẩn công nghiệp, hiệu quả của nó suy giảm nhanh chóng khi tỷ số tín hiệu trên nhiễu ($SNR$) giảm thấp.

Để loại bỏ nhiễu vật lý, các phương pháp tiền xử lý tín hiệu truyền thống đã được thử nghiệm rộng rãi:

  • Lọc trung bình nhiều lần (Kocher et al., 1999): Hiệu quả nhưng đòi hỏi tăng số lượng vết thu thập theo cấp số nhân, không khả thi trong các kịch bản tấn công thực tế bị giới hạn thời gian tiếp cận thiết bị.
  • Bộ lọc dải thông tuyến tính dựa trên biến đổi Fourier (Oswald & Parr, 2007; Bargenghi et al., 2008): Đòi hỏi giả định tĩnh tại về tín hiệu và cần thông tin tiên nghiệm chính xác về dải tần số của nhiễu.
  • Bộ lọc thích nghi Kalman (Souissi et al., 2010, 2011): Cho phép tối ưu trạng thái nhưng phụ thuộc cực kỳ nhạy cảm vào tính chính xác của ma trận hiệp phương sai ước lượng ban đầu.
  • Biến đổi Wavelet (Charvet, 2003; Souissi, 2011; Debande et al., 2012; Liu et al., 2014): Phân rã tín hiệu dựa trên sóng con mẹ, tuy nhiên gặp phải xung đột trong việc lựa chọn ngưỡng cắt (thresholding) và họ sóng con phù hợp, đồng thời tiêu tốn chi phí tính toán lớn trong khâu tái tạo tín hiệu ngược.

Trong trường phái Profiled Attacks, Chari et al. (2002) khởi xướng Tấn công mẫu đơn giản (Template Attack - TA), mô hình hóa mật độ xác suất rò rỉ dưới dạng Phân bố chuẩn đa biến (Multivariate Normal Distribution - MVND). Tuy nhiên, TA chịu ràng buộc nghiêm ngặt về giả định phân bố Gauss và dễ bị suy biến ma trận hiệp phương sai khi số chiều POIs lớn.

Để khắc phục, các nhà nghiên cứu đã chuyển hướng sang học máy thống kê và học sâu:

  • Mô hình phân loại Support Vector Machine (SVM), Random Forest (RF), K-Nearest Neighbors (kNN) (Hospodar et al., 2011; Lerman et al., 2015; Heuser & Zaid, 2017).
  • Kỹ thuật chọn POIs: Phương pháp lọc thống kê DoM, SOSD, SOST (Gierlichs et al., 2008), phương pháp giảm chiều PCA (Archambeau et al., 2006) và phương pháp lựa chọn đặc trưng dựa trên véc-tơ pháp tuyến của mặt phẳng phân chia SVM (Normal-Based Feature Selection - NB) do Timo Bartkewitz (2012) đề xuất.
  • Đối với thiết bị có cơ chế phòng vệ bằng mặt nạ (Masking Countermeasure - Mangard et al., 2007; Prouff et al., 2018), Zaid et al. (2020) đã phát triển mô hình mạng tích chập tinh gọn CNNz, xác lập chuẩn mực mới trong việc giải mã hộp thế Sbox bảo vệ trên bộ dữ liệu chuẩn ANSSI ASCAD.

Bảng so sánh định vị học thuật của luận án với các công trình quốc tế tiêu biểu:

Tiêu chí nghiên cứu Nghiên cứu của Bartkewitz (2012) / Hospodar (2011) Nghiên cứu của Zaid et al. (2020) (CNNz) Đóng góp đột phá của Luận án (Trần Ngọc Quý, 2022)
Phương pháp khử nhiễu & tiền xử lý PCA / Lọc Wavelet truyền thống Chuẩn hóa chuẩn tắc (StandardScaler), không tiền xử lý lọc tần số Phân tích mode biến phân (VMD) thích nghi, phân rã mode dải hẹp không cần tái tạo ngược
Kỹ thuật trích chọn đặc trưng POIs Lựa chọn dựa trên trọng số SVM (NB) hoặc lọc CPA đơn lẻ Tầng tích chập (Convolutional Layer) tự động trích xuất Cơ chế lai VMD-GSO: Xếp hạng độc lập tuyến tính bằng trực giao hóa Gram-Schmidt
Phương pháp tối ưu hóa siêu tham số Thử nghiệm lưới (Grid Search) thủ công, chi phí tính toán cao Thiết kế kiến trúc dựa trên quy tắc trực giác hình học rò rỉ Tối ưu hóa siêu tham số tự động toàn diện bằng thuật toán bầy sói xám (GWO)
Hiệu năng giải mã trên nền nhiễu cao ($SNR \le 10\text{ dB}$) Bị suy giảm mạnh do hiện tượng nhiễu tương quan chéo Đòi hỏi tăng số lượng epoch và số vết học mẫu lớn Duy trì $GE = 0$ ổn định; VMD-CPA vượt trội CPA truyền thống
Số vết tấn công $N_a$ đạt $GE = 0$ trên tập ASCAD Không áp dụng được hiệu quả cho thiết bị mặt nạ Đạt $GE = 0$ tại khoảng 190 - 250 vết kiểm tra Đạt $GE = 0$ tại số lượng vết tối ưu thấp hơn rõ rệt (CNN-D)

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm sâu sắc thêm mô hình tiêu thụ năng lượng động CMOS trong điều kiện xử lý các phép toán phi tuyến phân tán:

  1. Mở rộng lý thuyết tương quan năng lượng vi mô: Bổ sung cơ chế phân rã năng lượng tức thời $p_{cir}(t)$ thành các thành phần tần số dao động cục bộ thông qua biểu diễn toán học của VMD: $$u_k(t) = A_k(t) \cos(\phi_k(t))$$ Luận án chứng minh rằng thông tin rò rỉ của phép thế phi tuyến S-box trong AES không phân bố đều trên toàn bộ phổ tần số mà tập trung tại một mode biến phân đặc trưng duy nhất phản ánh chính xác hoạt động chuyển mạch của các transistor trong khối logic thực thi.
  2. Hình học hóa không gian đặc trưng rò rỉ: Mở rộng lý thuyết trích chọn đặc trưng trong SCA bằng cách định nghĩa lại độ quan trọng của POIs thông qua khoảng cách trực giao trong không gian Hilbert. Thay vì đo lường phương sai biên độ thuần túy, luận án xây dựng mệnh đề toán học xác định mức độ phụ thuộc phi tuyến giữa véc-tơ vết đo và nhãn mục tiêu thông qua phép chiếu trực giao liên tiếp.
  3. Hình thành 3 mệnh đề lý thuyết cốt lõi (Theoretical Propositions):
    • Mệnh đề 1 (Đặc tính mode rò rỉ tối ưu): Tồn tại duy nhất một mode biến phân $u_{k^}(t)$ trong phân tích VMD có hệ số tương quan $\rho(u_{k^}, \mathcal{L}(Z))$ đạt cực đại toàn cục, tương ứng với tần số chuyển mạch thực tế của đơn vị tính toán số học S-box.
    • Mệnh đề 2 (Tính độc lập thông tin qua GSO): Quá trình trực giao hóa Gram-Schmidt loại bỏ hoàn toàn các thành phần đa cộng tuyến giữa các mẫu điện áp liền kề, tối đa hóa khoảng cách lề (margin) của siêu phẳng phân chia trong không gian đặc trưng SVM.
    • Mệnh đề 3 (Hội tụ cấu trúc học sâu tối ưu qua GWO): Vector siêu tham số $\mathbf{\Theta}^* = {\text{Filter Size, Kernel Count, Learning Rate, Batch Size}}$ tối ưu hóa bởi hành vi săn mồi của bầy sói xám đảm bảo cực tiểu hóa hàm mất mát phân loại đa lớp (Categorical Cross-Entropy) trên dữ liệu rò rỉ bị làm mờ bởi mặt nạ ngẫu nhiên.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên hoàn 3 trụ cột kỹ thuật nhằm vô hiệu hóa từng tầng phòng vệ của thiết bị mật mã:

[VẾT ĐIỆN NĂNG THỰC TẾ X(t)] 
           |
           v
+-----------------------------------------------------------------------------------+
| TRỤ CỘT 1: LỌC BIẾN PHÂN VMD                                                     |
| Phân giải bài toán biến phân có ràng buộc:                                        |
| $\min_{\{u_k\},\{\omega_k\}} \left\{ \sum_k \|\partial_t [(\delta(t) + \frac{j}{\pi t}) * u_k(t)] e^{-j\omega_k t}\|_2^2 \right\}$  |
| s.t. $\sum_k u_k = x(t)$  --> Tách thành $K$ mode dải hẹp sạch nhiễu              |
+-----------------------------------------------------------------------------------+
           |
           +----------------------------------+
           | (Tấn công không mẫu)             | (Tấn công có bản mẫu)
           v                                  v
+----------------------+   +--------------------------------------------------------+
| VMD-CPA ENGINE       |   | TRỤ CỘT 2: TRÍCH CHỌN POIs LAI VMD-GSO                 |
| Tính hệ số tương quan|   | - Áp dụng GSO xếp hạng độ trực giao các cột mode       |
| Pearson trên mode rò |   | - Lựa chọn tập POIs tối thiểu tối đa hóa lề SVM        |
| rỉ mục tiêu:         |   | - Huấn luyện bộ phân loại đa lớp C-SVM                 |
| $\rho = \max_k \rho(u_{k^*}, \mathcal{L}) $|   | - Quyết định khóa bằng Maximum Likelihood Principle    |
+----------------------+   +--------------------------------------------------------+
                                              |
                                              | (Đối với thiết bị có mặt nạ)
                                              v
+-----------------------------------------------------------------------------------+
| TRỤ CỘT 3: HỌC SÂU TIÊN TIẾN CNN-D TỐI ƯU HÓA SIÊU THAM SỐ GWO                    |
| - Tầng Convolution 1D kết hợp Average Pooling trích xuất tương quan giữa các share|
| - Thuật toán GWO tối ưu tự động cấu hình mạng, tránh điểm cực tiểu địa phương    |
| - Đánh giá hiệu năng giải mã qua chỉ số Guessing Entropy: $GE \to 0$              |
+-----------------------------------------------------------------------------------+

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ lập trường nhận thức luận thực chứng (Positivism) và phương pháp luận diễn dịch thực nghiệm (Empirical Deductive Approach). Thiết kế nghiên cứu là sự kết hợp đa tầng giữa mô hình hóa toán học lý thuyết, mô phỏng tính toán số và đo kiểm thực nghiệm trên phần cứng vi mạch thực tế.

                           SƠ ĐỒ HỆ THỐNG THỰC NGHIỆM ĐO VẾT ĐIỆN NĂNG THỰC TẾ
                           
  +---------------------------------------------------------------------------------------+
  | MÁY TÍNH ĐIỀU KHIỂN (PC WORKSTATION)                                                  |
  | - Phần mềm điều phối DPA-M tự phát triển                                              |
  | - Sinh bản rõ ngẫu nhiên Pi, gửi lệnh kích hoạt qua USB                               |
  | - Thu nhận và lưu trữ ma trận vết đo X (NxM)                                          |
  | - Thực thi thuật toán tấn công VMD-CPA, VMD-GSO-SVM, CNN-D (Matlab, Python, PyTorch)  |
  +---------------------------------------------------------------------------------------+
            |                                                           ^
       (Điều khiển USB)                                            (Dữ liệu vết đo)
            |                                                           |
            v                                                           |
  +---------------------------+    Điện áp tức thời qua trở shunt  +----------------------+
  | HỆ PHẦN CỨNG SAKURA-G/W   |    R1 = 1 - 50 Ohm (Chân GND)      | MÁY HIỆN SÓNG SỐ     |
  | - Bo mạch chuẩn SCA       | --------------------------------> | TEKTRONIX DPO3052    |
  | - Thẻ thông minh DUT:     |                                   | - Băng thông: 500 MHz|
  |   ATmega8515 (8-bit)      | <-------------------------------- | - Tốc độ lấy mẫu:    |
  | - Tần số: 3.5712 MHz      |        Tín hiệu kích hoạt         |   2.5 GS/s           |
  | - Tốc độ: 9600 bps, T=0   |        (Trigger signal)           | - Độ phân giải cao   |
  +---------------------------+                                   +----------------------+

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua 4 giai đoạn nghiêm ngặt:

  1. Thu thập dữ liệu thực nghiệm chuẩn hóa:
    • Phần mềm điều khiển chuyên dụng DPA-M do tác giả tự phát triển thực hiện tự động hóa chu trình: Sinh bản rõ $P_i$ ngẫu nhiên $\to$ Gửi tới thẻ thông minh ATmega8515 $\to$ Kích hoạt chân Trigger $\to$ Máy hiện sóng Tektronix DPO3052 số hóa điện áp $\to$ Truyền dữ liệu về máy trạm qua chuẩn USB tốc độ cao.
    • Tập dữ liệu ACT-TRACES được ghi nhận với khóa bí mật cố định: 63 28 119 197 168 110 90 241 25 164 7 63 81 253 174 167.
  2. Phân rã tín hiệu và tiền xử lý thích nghi (VMD):
    • Giải bài toán tối ưu biến phân băng thông bằng thuật toán nhân tử Lagrange tăng cường (ADMM).
    • Tự động tách vết đo thô 85.000 điểm mẫu thành $K$ mode biến phân với dải thông hẹp, loại trừ triệt để nhiễu tần số cao và trôi dạt đường nền.
  3. Trích chọn đặc trưng và xếp hạng trực giao (GSO):
    • Vector hóa các mode biến phân chứa rò rỉ.
    • Chiếu các điểm mẫu trên mode vào không gian vector của biến trung gian nhạy cảm $\mathbf{y} = \text{HW}(\text{Sbox}(P \oplus k))$, tính toán hệ số trực giao để xếp hạng mức độ đóng góp thông tin của từng POI, loại bỏ các điểm có độ dư thừa cao.
  4. Mô hình hóa học máy và tối ưu hóa siêu tham số (SVM & CNN-D):
    • Xây dựng bộ phân loại đa lớp C-SVM (với hàm nhân RBF $K(\mathbf{x}, \mathbf{x}') = \exp(-\gamma |\mathbf{x} - \mathbf{x}'|^2)$).
    • Thiết kế mạng CNN-D gồm các khối Convolution 1D, Batch Normalization, Average Pooling, Dense Layers và Softmax.
    • Tích hợp giải thuật tối ưu bầy sói xám (GWO) mô phỏng 4 thứ bậc sói ($\alpha, \beta, \delta, \omega$) để tìm kiếm không gian siêu tham số mạng toàn cục, triệt tiêu nguy cơ rơi vào bẫy cực tiểu địa phương.

Data và phân tích

Luận án sử dụng tổng cộng 3 bộ dữ liệu lớn với các thuộc tính kỹ thuật chi tiết:

  • Tập dữ liệu ACT-TRACES: Thu thập trực tiếp từ thẻ thông minh ATmega8515; quy mô 50.000 vết đo; chiều dài mỗi vết $N = 85.000$ điểm mẫu (thể hiện trọn vẹn 10 vòng mã hóa AES-128).
  • Tập dữ liệu DPA Contest v4 (DPA-V4): Quy mô 100.000 vết đo từ thuật toán AES-128 có cài đặt mặt nạ bảo vệ $Sbox(P_i \oplus k^*) \oplus M$, được chuẩn hóa để kiểm thử tấn công giải trừ mặt nạ.
  • Tập dữ liệu quy chuẩn quốc tế ANSSI ASCAD: Bộ benchmark chuẩn toàn cầu cho SCA; quy mô 60.000 vết đo (50.000 vết huấn luyện / 10.000 vết kiểm tra); chiều dài 700 điểm mẫu tập trung vào phép thế S-box thứ 3 của vòng 1.

Các kỹ thuật phân tích và công cụ triển khai bao gồm: Matlab R2020b (xử lý tín hiệu VMD, đại số GSO), Python 3.8 với thư viện Scikit-Learn (mô hình SVM), PyTorch/TensorFlow (mạng CNN-D và giải thuật GWO). Thước đo đánh giá hội tụ khoa học là Guessing Entropy ($GE$), xác định vị trí xếp hạng trung bình của khóa đúng $k^$ qua $S$ lần thử nghiệm độc lập: $$GE = \frac{1}{S} \sum_{s=1}^S \text{Index}_{k^}^s$$ Tấn công thành công tuyệt đối khi $GE = 0$ (khóa đúng nằm ở vị trí số 1 tuyệt đối).

Phát hiện đột phá và implications

Những phát hiện then chốt

                                  SO SÁNH HIỆU NĂNG TẤN CÔNG GIỮA CÁC PHƯƠNG PHÁP
                                  
  (1) Kịch bản môi trường nhiễu cao (SNR = 5 dB - 10 dB) trên thiết bị không phòng vệ:
      - CPA kinh điển:      [ KHÔNG THỂ KHÔI PHỤC KHÓA ĐÚNG ] (Tương quan bị nhiễu vùi lấp)
      - VMD-CPA (Đề xuất):  [ KHÔI PHỤC THÀNH CÔNG 100% ] (Mode VMD trích xuất chính xác rò rỉ)

  (2) Kịch bản tấn công mẫu trên tập dữ liệu ACT-TRACES:
      - SVM + CPA POIs:     [ Cần > 350 vết đo để đạt GE = 0 ]
      - SVM + NB POIs:      [ Cần ~ 280 vết đo để đạt GE = 0 ]
      - VMD-GSO-SVM:        [ CHỈ CẦN 100 - 150 VẾT ĐO ] (Giảm > 50% số vết so với CPA-POIs)

  (3) Kịch bản tấn công thiết bị có mặt nạ trên tập dữ liệu chuẩn quốc tế ASCAD:
      - MLP Baseline:       [ Cần > 800 vết đo để GE = 0 ]
      - CNNz (Zaid 2020):   [ Cần ~ 190 - 250 vết đo để GE = 0 ]
      - CNN-D (Luận án):    [ VƯỢT TRỘI: ĐẠT GE = 0 VỚI SỐ VẾT TỐI ƯU THẤP NHẤT ]
  1. Khả năng phá vỡ mã hóa trong môi trường cực hạn của VMD-CPA: Trong khi phương pháp CPA truyền thống hoàn toàn thất bại trong việc tìm khóa khi vết đo bị can nhiễu nhân tạo ở mức $SNR_1 = 10\text{ dB}$ và $SNR_2 = 5\text{ dB}$, phương pháp VMD-CPA đề xuất vẫn khôi phục thành công toàn bộ 16 byte khóa của AES-128 nhờ đặc tính lọc Wiener thích nghi tích hợp sẵn trong quá trình tối ưu hóa biến phân.
  2. Sự vượt trội của cơ chế lựa chọn đặc trưng lai VMD-GSO: Trên tập dữ liệu ACT-TRACES và DPA-V4, phương pháp VMD-GSO-SVM chỉ cần từ 100 đến 150 vết đo trong pha tấn công để đưa $GE$ về 0, giảm hơn 50% số vết so với phương pháp chọn đặc trưng dựa trên CPA truyền thống và giảm hơn 30% so với phương pháp Normal-Based (NB) của Bartkewitz.
  3. Đột phá cấu trúc học sâu CNN-D trên tập dữ liệu chuẩn quốc tế ASCAD: Bộ phân lớp CNN-D được tối ưu hóa siêu tham số bằng thuật toán GWO đã vượt qua hiệu năng của kiến trúc chuẩn CNNz (Zaid et al., 2020), đạt trạng thái hội tụ $GE = 0$ với số lượng vết tấn công ít hơn, chứng minh khả năng tự động trích xuất các rò rỉ bậc cao mà không cần thao tác gỡ mặt nạ thủ công.
  4. Tính khả thi của tấn công vét cạn từng byte khóa độc lập: Thực nghiệm chứng minh toàn bộ 128 bit khóa AES có thể bị phân rã thành 16 cuộc tấn công độc lập trên từng byte S-box ($2^8 = 256$ giả thiết/byte), đưa độ phức tạp tính toán từ mức bất khả thi $2^{128}$ xuống còn $16 \times 256 = 4.096$ phép tính tương quan, thực thi hoàn tất trong thời gian vài giây trên máy tính cá nhân.

Implications đa chiều

  • Về mặt lý thuyết: Chứng minh rằng rò rỉ kênh kề trong vi mạch số là hiện tượng đa mode có cấu trúc, có thể mô hình hóa chính xác bằng sự kết hợp giữa lý thuyết biến phân và đại số trực giao.
  • Về mặt phương pháp luận: Thiết lập quy trình chuẩn mực từ tiền xử lý lọc mode, chọn lọc đặc trưng trực giao đến tối ưu hóa học sâu bằng bầy đàn, có thể mở rộng áp dụng cho các dạng tín hiệu vật lý khác như bức xạ điện từ (EMA), phân tích quang học hay phân tích lỗi cảm ứng (Fault Analysis).
  • Về mặt ứng dụng thực tiễn: Cung cấp cho các phòng kiểm thử an toàn mật mã một bộ công cụ phần mềm và phương pháp luận mạnh mẽ để đánh giá lỗ hổng rò rỉ năng lượng của thẻ thông minh, chip vi điều khiển IoT và thiết bị thanh toán điện tử trước khi thương mại hóa.
  • Về mặt chính sách và tiêu chuẩn: Đóng góp cơ sở thực nghiệm quan trọng để hoàn thiện các quy định kiểm chuẩn an toàn mô-đun mật mã tại Việt Nam (TCVN 11295:2016), hướng tới sự tương thích hoàn toàn với các chứng chỉ an toàn quốc tế như Common Criteria (ISO/IEC 15408) mức EAL5+/EAL6+.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu (Boundary Conditions):

  1. Giới hạn kiến trúc phần cứng: Thực nghiệm chủ yếu thực hiện trên dòng vi điều khiển 8-bit ATmega8515. Các vi xử lý 32-bit/64-bit hiện đại (ARM Cortex-M, RISC-V) với kiến trúc đường ống phức tạp (pipelining) và cơ chế thực thi lệnh ngoài luồng (out-of-order execution) sẽ tạo ra mức độ nhiễu thuật toán và đan xen thời gian phức tạp hơn.
  2. Cấp độ mặt nạ bảo vệ: Nghiên cứu mới tập trung giải quyết triệt để cơ chế mặt nạ Boolean bậc nhất (1st-order Boolean Masking). Đối với các sơ đồ mặt nạ bậc cao ($d \ge 2$) hoặc mặt nạ đa thức (Polynomial Masking), số lượng chia sẻ (shares) gia tăng sẽ đòi hỏi mở rộng độ sâu mạng CNN-D.
  3. Hiện tượng mất đồng bộ thời gian (Jitter/Desynchronization): Nghiên cứu giả định các vết đo đã được căn chỉnh đồng bộ thời gian tương đối thông qua tín hiệu Trigger phần cứng. Hiện tượng lệch pha thời gian ngẫu nhiên lớn do phần cứng phòng vệ chèn lệnh trễ giả (Dummy cycles) cần các giải pháp thích nghi bổ sung.

Định hướng nghiên cứu tương lai (5 hướng cụ thể):

  1. Mở rộng khung phân tích VMD-CNN-D để đánh giá an toàn kênh kề của các thuật toán Mật mã hậu lượng tử (Post-Quantum Cryptography - PQC) như CRYSTALS-Kyber (chuẩn hóa FIPS 203) và CRYSTALS-Dilithium (chuẩn hóa FIPS 204).
  2. Phát triển mô hình mạng nơ-ron học sâu có cơ chế chú ý không gian-thời gian (Spatial-Temporal Attention Mechanisms) để tự động căn chỉnh và xử lý các vết đo bị mất đồng bộ thời gian nghiêm trọng (Desynchronized Traces).
  3. Nghiên cứu tấn công kênh kề điện từ trường không tiếp xúc (Near-field Electromagnetic Analysis - EMA) kết hợp bộ lọc VMD đa kênh trên các vi xử lý đa nhân tốc độ cao.
  4. Tích hợp kỹ thuật Explainable AI (XAI) nhằm giải thích trực quan các trọng số ẩn của mạng CNN-D, giúp các kỹ sư thiết kế phần cứng định vị chính xác vị trí cổng logic bị rò rỉ trên bản thiết kế mạch tích hợp (ASIC/FPGA layout).
  5. Nghiên cứu phát triển các giải pháp phòng vệ phần cứng nhẹ (Lightweight Hardware Countermeasures) kết hợp xáo trộn xung nhịp ngẫu nhiên và cân bằng logic kép để vô hiệu hóa trực tiếp các bộ phân lớp học sâu tối ưu bởi GWO.

Tác động và ảnh hưởng

  • Tác động học thuật: Mở ra hướng liên ngành đột phá kết hợp giữa Xử lý tín hiệu biến phân, Hình học trực giao và Trí tuệ nhân tạo tối ưu hóa bầy đàn trong mật mã ứng dụng. Các công trình khoa học của luận án đã được công bố trên các tạp chí và hội nghị khoa học uy tín (CT01 đến CT04), tạo tiền đề cho các nghiên cứu tiếp theo về an toàn phần cứng tại Việt Nam và quốc tế.
  • Chuyển đổi công nghiệp & An ninh quốc phòng: Cung cấp giải pháp kỹ thuật trực tiếp cho các cơ quan trọng yếu như Ban Cơ yếu Chính phủ, các tập đoàn công nghệ (Viettel R&D) và các nhà sản xuất thẻ thông minh trong việc kiểm thử, rà soát mã độc phần cứng và lỗ hổng rò rỉ kênh kề trên các thiết bị bảo mật quốc gia.
  • Lợi ích xã hội: Nâng cao mức độ tin cậy và an toàn cho hạ tầng số quốc gia, bao gồm hệ thống thẻ căn cước công dân gắn chip, hộ chiếu điện tử, thẻ ngân hàng EMV và các thiết bị xác thực Internet of Things (IoT) phục vụ kinh tế số.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học chuyên sâu: Tiếp cận khung phương pháp luận hoàn chỉnh về xử lý tín hiệu và học máy áp dụng trong thám mã vật lý; khai thác khoảng trống nghiên cứu về mật mã hậu lượng tử.
  • Giảng viên & Cơ sở đào tạo đại học: Nguồn tài liệu học thuật chuẩn mực cho các chương trình đào tạo sau đại học chuyên ngành Kỹ thuật Mật mã, An toàn thông tin và Kỹ thuật máy tính.
  • Kỹ sư R&D & Doanh nghiệp chế tạo bán dẫn: Ứng dụng các kịch bản kiểm thử VMD-CPA và CNN-D để đánh giá độ an toàn phần cứng ngay từ giai đoạn thiết kế mẫu thử (RTL simulation / FPGA prototyping).
  • Cơ quan quản lý nhà nước & Tổ chức chứng nhận an toàn: Cơ sở dữ liệu và căn cứ khoa học để ban hành quy chuẩn kiểm định an toàn bảo mật phần cứng cho các thiết bị công nghệ thông tin phục vụ chính phủ số.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc mô hình hóa thành công quá trình rò rỉ năng lượng vi mô của mạch logic CMOS dưới dạng bài toán phân rã mode biến phân dải hẹp VMD kết hợp phép chiếu trực giao Hilbert GSO. Luận án đã mở rộng lý thuyết tương quan năng lượng của Brier et al. (2004) và lý thuyết tấn công mẫu thống kê của Chari et al. (2002), chuyển đổi căn bản từ việc phân tích trên miền thời gian có nhiễu sang miền đặc trưng mode trực giao sạch nhiễu, loại bỏ giả định cứng nhắc về phân bố Gauss chuẩn đa biến.

2. Điểm cải tiến phương pháp luận so với ít nhất 2 nghiên cứu quốc tế tiền nhiệm?

So với phương pháp chọn đặc trưng Normal-Based SVM của Timo Bartkewitz (2012), phương pháp luận VMD-GSO-SVM của luận án loại bỏ được hiện tượng đa cộng tuyến giữa các điểm lấy mẫu lân cận, giúp giảm hơn 30% số vết đo cần thiết. So với kiến trúc học sâu CNNz của Zaid et al. (2020), phương pháp CNN-D của luận án ứng dụng giải thuật tối ưu hóa bầy sói xám GWO để tự động xác lập không gian siêu tham số tối ưu toàn cục, tránh được việc phụ thuộc vào trực giác thiết kế thủ công và đạt tốc độ hội tụ $GE = 0$ vượt trội trên bộ dữ liệu chuẩn quốc tế ASCAD.

3. Phát hiện bất ngờ nhất đi kèm minh chứng số liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là tại ngưỡng nhiễu cực cao ($SNR = 5\text{ dB}$), phương pháp CPA truyền thống bị tê liệt hoàn toàn (hệ số tương quan của khóa đúng bị san bằng với các khóa sai, không thể xác định đỉnh tương quan), trong khi VMD-CPA vẫn khôi phục chính xác 100% các byte khóa bí mật của AES-128. Điều này chứng minh rằng nhiễu trong phép đo SCA không triệt tiêu tín hiệu rò rỉ mà chỉ đóng vai trò năng lượng ngoại vi, hoàn toàn có thể bóc tách được bằng phép lọc dải thông thích nghi biến phân.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?

Có. Luận án mô tả chi tiết toàn bộ quy trình đo kiểm thực nghiệm bao gồm: thông số phần cứng vi điều khiển ATmega8515 ($3,5712\text{ MHz}$, $9600\text{ bps}$, giao thức $T=0$), máy hiện sóng Tektronix DPO3052 ($500\text{ MHz}$, $2,5\text{ GS/s}$), phần mềm điều khiển DPA-M, cùng các siêu tham số mạng CNNd và giải thuật GWO. Toàn bộ thực nghiệm được kiểm chứng chéo trên cả bộ dữ liệu thu thập thực tế ACT-TRACES và các bộ benchmark quốc tế công khai (DPA-V4, ANSSI ASCAD).

5. Lộ trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?

Lộ trình 10 năm tập trung vào 3 giai đoạn: (1) 2022-2025: Hoàn thiện công cụ kiểm chuẩn tự động hóa SCA cho các vi xử lý nhúng 32-bit và 64-bit; (2) 2025-2028: Mở rộng phân tích kênh kề đa phương thức (kết hợp điện năng tiêu thụ, bức xạ điện từ EMA và phân tích lỗi quang học) trên các thuật toán Mật mã hậu lượng tử (PQC); (3) 2028-2032: Phát triển các lõi IP mật mã kháng học sâu tự động (AI-Resistant Cryptographic Hardware Cores) có khả năng tự cấu hình phần cứng động để xóa bỏ mọi dấu vết rò rỉ vật lý.

Kết luận

Luận án tiến sĩ của NCS Trần Ngọc Quý đã giải quyết xuất sắc các bài toán thách thức cốt lõi trong lĩnh vực phân tích an toàn phần cứng mật mã với các đóng góp cụ thể:

  1. Xây dựng thành công phương pháp tấn công không bản mẫu tiên tiến VMD-CPA, vượt qua giới hạn của phương pháp CPA truyền thống trong môi trường tỷ số tín hiệu trên nhiễu cực thấp ($SNR = 5\text{ dB} - 10\text{ dB}$).
  2. Phát triển phương pháp tấn công mẫu lai VMD-GSO-SVM, kết hợp đột phá giữa phân rã mode biến phân và trực giao hóa Gram-Schmidt, tối ưu hóa triệt để số lượng POIs và giảm hơn 50% số vết đo cần thiết để khôi phục khóa.
  3. Đề xuất mô hình học sâu CNN-D tích hợp giải thuật tối ưu hóa bầy sói xám GWO, xác lập hiệu năng vượt trội trong việc phá vỡ cơ chế phòng vệ mặt nạ của thuật toán AES-128 trên bộ dữ liệu quy chuẩn quốc tế ANSSI ASCAD.
  4. Thiết lập hệ thống thực nghiệm đo kiểm chuẩn mực kết hợp phần mềm chuyên dụng DPA-M và công bố bộ dữ liệu thực tế ACT-TRACES quy mô 50.000 vết đo chất lượng cao.
  5. Cung cấp căn cứ khoa học và phương pháp luận thực chứng vững chắc, đóng góp trực tiếp vào việc thực thi và hoàn thiện các tiêu chuẩn an toàn thông tin quốc gia (TCVN 11295:2016) và quốc tế (ISO/IEC 19790:2012, FIPS 140-3).