SCA Lab · 侧信道攻击实验套件

Reproducible Python lab for side-channel attacks on AES-128, side-by-side comparison of classical (DPA / CPA / Template) and AI (MLP / CNN-Zaid / Transformer-SCA) approaches. All traces are synthetic — no hardware needed. PyTorch auto-uses CUDA when available (tested on RTX 4060 Laptop).

配合《电压测量 · 从基本功到硬件安全最前沿》汇报使用的可运行 Python 实验。 十个静态脚本 + 三个 LIVE 动画脚本，分别对应 PPT 上的关键结论； 录视频时按顺序跑即可。

环境准备

python -m venv .venv
.venv/Scripts/python.exe -m pip install -i https://pypi.org/simple/ -r requirements.txt

依赖极简：只用 numpy / matplotlib / scikit-learn，所有 trace 都是仿真生成， 不需要 ChipWhisperer 硬件。单机笔记本 2 分钟跑完全套。

实验总览 · 与 PPT 页码对应

#	脚本	对应 PPT	一句话
1	01_visualize_trace.py	S6 术语速查	一条 trace 到底长什么样 · 单条 / 100 叠加 / 1000 平均
2	02_dpa_attack.py	S6 DPA 原理	Kocher 1998 · Δ(t) = ⟨T|b=1⟩ − ⟨T|b=0⟩ · 256 候选柱状图
3	03_cpa_attack.py	S7 CPA 三步	Brier 2004 · Pearson ρ(H, T) · CPA 数据效率曲线
4	04_masking_breaks_cpa.py	S8 Masking	加一阶掩码，同样 2000 条 CPA 被打到 GE=231
5	05_ai_beats_masking.py	S9 高潮	MLP + 2 阶交叉特征 · 154 条 attack trace 把 masking 打穿
6	06_hero_comparison.py	S9 柱状图	三条 GE 曲线 · 经典 + MLP 对比（主视觉 A）
7	07_template_attack.py	S8 Chari	Template Attack · AI 之前最强的经典方法
8	08_cnn_sca.py	S9 CNN-Zaid	CNN-Zaid 2020 · PyTorch · 1D Conv 自动学泄漏对齐
9	09_transformer_sca.py	S9 Transformer	Transformer-SCA 2022 · PyTorch · 自注意力 + attention 热图可视化
10	10_deep_hero.py	S9 柱状图	五方终极对比 · CPA/CPA+Mask/MLP/CNN/Transformer（主视觉 B）
L1	L1_live_cpa.py	S7 live demo	CPA 256 柱状图实时生长 · 录视频用
L2	L2_live_race.py	S9 live demo	三条 GE 曲线实时赛跑 · 录视频用
L3	L3_deep_race.py	S9 终极收尾	五方 GE 曲线实时赛跑 · 含 CNN + Transformer · 从 .pt 缓存秒出

推荐录制顺序（见 RECORDING_GUIDE.md 详版）

1. 段 1（S6 开头）：01_visualize_trace.py · 让观众看到 trace 的真身
2. 段 2（S6→S7）：02_dpa_attack.py → 03_cpa_attack.py · 古典攻击连讲
3. 段 3（S8）：04_masking_breaks_cpa.py → 07_template_attack.py · 防御 + 经典上限
4. 段 4（S9 高潮）：05_ai_beats_masking.py · AI 破防
5. 收尾：06_hero_comparison.py（静态） 或 L2_live_race.py（live 赛跑，强推）

快速全跑

cd sca_lab
python run_all.py              # 跑 01..10（含 PyTorch 训练 · 约 15 分钟）
python run_all.py 01 02 03 04 05 06 07   # 只跑经典 + MLP（约 2 分钟）
python run_all.py 03 05 06               # 只跑指定

单独跑 AI 对比（10/L3 都依赖 08/09 的 .pt 缓存）：

python 08_cnn_sca.py            # CNN-Zaid · GPU 约 2 分钟 (缓存命中 ~10s)
python 09_transformer_sca.py    # Transformer · GPU 约 7 分钟 (缓存命中 ~10s)
python 10_deep_hero.py          # 五方静态对比 · 读缓存 · 约 1 分钟
python L3_deep_race.py          # 五方实时赛跑动画 · 读缓存 · MLP 2.5 min 后弹窗

录视频重拍时加 --fresh 才强制重训：

python 08_cnn_sca.py            # 默认：有 _cnn_zaid.pt 就跳过训练直接 attack
python 08_cnn_sca.py --fresh    # 强制重训 · 录"从 0 开始训 40 epoch"那种镜头才用

动画脚本要手动单独启动（它们是给视频录制用的 GUI 窗口）：

python L1_live_cpa.py          # CPA 柱状图 25s 动画
python L2_live_race.py         # 三方 GE 赛跑 · 前期 1min profiling 后 25s 动画

每个脚本会：

• 向终端打印关键数字（GE、trace 数、训练精度等）
• 弹出 matplotlib 窗口（本地运行 · Agg 模式下仅保存 PNG）
• 把图保存到 figures/（.png，150 dpi）

仿真 vs 真设备 的对齐

用仿真而不是 ChipWhisperer 真采集的理由：

• 可复现：不同机器、不同时间跑都是一样的结果，录视频不会翻车
• 可清洁对比：CPA / CPA+mask / Template / MLP 所有曲线都在同一套 SNR 参数下，差距完全来自算法本身
• 分钟级出结果：真采 2000 条 trace 要若干分钟，masked profiling 要几十分钟

仿真参数（见 sca_utils.simulate_traces）：

• leak_point = 50：主泄漏时刻
• alpha = 0.3（默认 1.0，04/05 默认脚本里再调）：泄漏幅度
• noise_sigma = 1.0：高斯噪声 σ
• masked 模式：mask_leak_point = 30 处额外漏 H(m)

本机实测结果（RTX 4060 Laptop GPU · 跑一次给的数字）：

方法	场景	首次 GE=1 所需 attack trace	训练用时
① CPA	未防护 AES	11	秒级
② CPA	Masked AES	未攻破 (2000 条下 GE ≈ 30)	秒级
Template	Masked AES	未攻破	秒级
③ MLP (sklearn + 2 阶交叉)	Masked AES	126	≈ 50s (CPU)
④ CNN-Zaid (PyTorch · GPU)	Masked AES	50	≈ 2 min
⑤ Transformer (PyTorch · GPU, 配对 token)	Masked AES	37	≈ 7 min

—— Transformer 最强，和 PPT S9 "Transformer ~160 / CNN ~200 / MLP ~650" 同量级 （PPT 是 ASCAD 真数据，我们是仿真；定性排序一致）。

GPU 加速对比（4060 Laptop vs CPU · batch=1024 · Transformer 单步训练）：

后端	ms / step	提速
CPU fp32	8437	1×
CUDA fp32	248	34×
CUDA fp16 (autocast)	131	64×

这就是为什么实验 08/09 在 GPU 上 2–7 分钟能训完一个完整的 AI-SCA 模型， CPU 则需要几十分钟到几小时。

想继续深入？

• 换真数据：ASCAD v1（法国 ANSSI 2018 · 一阶 masked AES） https://github.com/ANSSI-FR/ASCAD
• 换 CNN / Transformer：把 05_ai_beats_masking.py 里的 MLPClassifier 换成 PyTorch 写的 CNN-Zaid 或 Transformer-SCA
• 真硬件：ChipWhisperer-Lite ≈ $300，对 STM32 做真 AES 采集 https://rtfm.newae.com

伦理提醒

这套 lab 的所有 trace 都是合成的，目标 AES 也是自己仿真的 —— 零法律风险。 在真实硬件上复现请只在：自己的板子、公开数据集（ASCAD）、授权 CTF 靶场 这三种场景里做。对他人未授权设备做侧信道分析，在中国大陆可能触及 《刑法》第 285–287 条。