Profiled side-channel attacks on hardware implemented cryptographic algorithms have been a well-researched topic for the past two decades and many countermeasures against these attacks have been proposed and adopted by the industry. Recently, a new form of far field EM side channel called "screaming channel attacks" have been highlighted. The side channel affects mixed-signal chips used in widespread wireless communication protocols, such as Bluetooth and Wi-Fi. In suchsystems, the radio transmitter may unintentionally broadcast sensitive information from hardware cryptographic components or software executing on the CPU due to substrate coupling. Attacks exploiting such a side channel may succeed over a much longer distance than attacks exploiting usual EM side channels. Deep learning assisted attacks on this new side-channel have recently been demonstrated to further improve the attack efficiency (less data needed in order to classify the underlying AES-128 key). These attacks rely on timeseries of electro-magnetic emissions, captured via a low-noise cable, to train the neural network while timeseries captured using anantenna and software-defined radio are used for classification. As with most projects involving machine learning algorithms the question of what regularization strategies to use is a central one. Many strategies exist in order to potentially reduce the test error, avoid overfit and improvegeneralizability, though which strategies is best to use varies between projects. It is well knownthat the addition of noise during preprocessing of data for training neural network classifiers can bring benefits. No previous research has dealt with how to handle additive noise in side-channelattacks like the case previously described. This thesis investigated if the use of realistic modelled additive noise could bring more benefits to improve models’ ability to generalize compared to conventional additive noise (Gaussian noise). Preprocessing methodologies such as feature scaling and denoising were also evaluated and the quality of captured traces assessed using several metrics. The attack efficiency in two environments with different multipath propagation were also investigated. The results show that using realistic noise did not significantly improve models’ ability to generalize compared to conventional additive noise. No denoising method did improve the attack efficiency but attacks in environments with more prevalent multipath propagation did improve attack efficiency. Trace sets with greater mean signal amplitude and aligned trace sets correlated well with improvements in attack efficiency.

Profilerade sidokanalsattacker på hårdvaruimplemeterade kryptografiska algoritmer har varit ett väl utforskat område de senaste två decennierna och många motåtgärder mot denna typ av attack har föreslagits och implementerats av industrin. Nyligen har en ny typ av elektromagnetisk sidokanalsattack, som kallas "screaming channel attack", uppmärksammats. Denna typ av sidokanal-attack går att utföra på system-on-chips med möjligheter för trådlös kommunikation, exempelvis Bluetooth eller WiFi. I dessa system kan radiosändaren oavsiktligt sända ut känslig information från hårdvarukomponenter under tiden krypterings- algoritmer exekveras på CPU:n på grund av substratåterkoppling i kretskortet. Attacker som utnyttjar en sådan sidokanal kan ofta genomföras över ett mycket längre avstånd än vanliga EM sidokanalsattacker. Attacker som understöds av så kallade neurala nätverk (eng. deep learning) tillämpat på denna nya typ av sidokanal har nyligen visats kunna förbättra effektiviteten i attacken (färre mängd data behövs för att korrekt kunna klassificera den underliggande AES-128 krypteringsnyckeln). Denna typ av sidokanalsattack använder inspelade tidsserier av den läckta EM-sidokanalen från chippet för att träna upp och klassificera den underliggande kryptografiska nyckeln m.h.a. neurala nätverk.

Tidsserier fångade via lågbrus-kabel används för att träna det neurala nätverket medan tidsserier fångade med antenn och mjukvarudefinerad radiomottagare används för att klassifiering. Som med de flesta projekt där maskinlärningsalgoritmer används så är frågan om vilken regulariserings-metod att använda central. Många alternativ existerar för att potentiellt reducera testfelet, undvika överanpassning och förbättra generaliserbarhet. Det är känt att addering av brus under förprocessering av data vid träning av neurala nätverks-klassificerare kan förbättra den. Ingen tidigare forskning har undersökt vilken typ av additivt brus som är bäst lämpat för den typen av sidokanals-attacker som har beskrivits ovan. Detta mastersarbete undersöker om användandet av realistiskt modellerad additivt brus kan förbättra generaliserbarheten för modeller i denna typ av attack jämförbart med konventionellt additivt brus (Gaussiskt brus). Förprocesseringss-metoder som feature-skalning och avbrusning har också utvärderats samt kvalitén i inspelade EM-tidsserier analyserats m.h.a. flera olika metriker. Effektiviteten i attacken (antal tidserier som behövs för att härleda den underliggande nyckeln) när den utfördes i två olika rumsliga miljöer (med olika spridningsmöjligheter för radiovågor) undersöktes också.

Resultatet visar att realistiskt modellerat brus inte förbättrade modellens förmåga att generalisera signifikant jämfört med modeller där Gaussiskt additivt brus hade använts. Ingen avbrusningsmetod förbättrade effektiviteten i attacken. EM-tidsserier med högre amplitud och dataset därtidsserier var mer lierade korrelerade med en ökad effektivitet i attack-effektiviteten.