Conception et Analyse de Modèles Génératifs pour des Attaques par Canaux Auxiliaires Génériques et Interprétables

Design and Analysis of Generative Models for Generic and Interpretable Side-Channel Attacks

• Auteur / Autrice : Sana Boussam
• Direction : Guénaël Renault
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le ; Soutenance le 22/06/2026
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : LIX - Laboratoire d'informatique
• Jury : Président / Présidente : Gaël Varoquaux
• Jury : Examinateurs / Examinatrices : Guénaël Renault, François-Xavier Standaert, Pierre-Alain Fouque, Christina Boura, Matthieu Rivain, Emmanuel Prouff, Gabriel Zaid
• Jury : Rapporteurs / Rapporteuses : François-Xavier Standaert, Pierre-Alain Fouque

Mots clés

Mots clés libres

Attaques par Canaux Auxiliaires

Cryptographie

Cryptographie Embarquée

Apprentissage Profond

Modèles Génératifs

Side Channel Attacks

Cryptography

Embedded Cryptography

Deep Learning

Generative Models

Résumé

Cette thèse traite de l'évaluation de la sécurité des implémentations cryptographiques face aux attaques par canaux auxiliaires. Du point de vue de l'évaluateur, deux critères sont centraux : le temps nécessaire pour réaliser une attaque et le niveau d'expertise requis. Les attaques par canaux auxiliaires classiques reposent fortement sur l'expertise de l'évaluateur, notamment pour le prétraitement des traces, l'évaluation des fuites, la réduction de dimension et la construction de modèles statistiques. Cette dépendance limite l'automatisation des attaques, réduisant ainsi leurs reproductibilités. Les progrès récents en apprentissage profond ont permis de mettre en évidence de nouvelles attaques apprenant directement à partir des traces brutes, ouvrant la voie à une automatisation de tâches auparavant manuelles. Toutefois, la plupart des approches reposent sur des modèles discriminatifs peu interprétables et ne reposant sur aucun fondement théorique, ce qui constitue une limite importante dans un contexte d'évaluation. L'objectif de cette thèse est donc de proposer des méthodologies d'attaque simplifiant et automatisant l'évaluation tout en conservant un haut niveau de fiabilité. En particulier, cette thèse a pour but de concevoir des attaques efficaces, génériques et interprétables, qui réduisent l'expertise requise, limitent le traitement fait manuellement par un évaluateur et fournissent des résultats interprétables permettant d'assurer un premier niveau de sécurité des produits évalués. La première partie du manuscrit propose des modèles génératifs permettant de mener des attaques profilées et non profilées. Deux modèles, cVAE-OSM et NPcVAE-OSM, sont introduits afin de construire des attaques interprétables et théoriquement justifiables. Contrairement aux modèles discriminatifs, ces approches reposent sur des architectures déterministes dont les paramètres convergent vers des valeurs explicables directement liées à la théorie des attaques par canaux auxiliaires. Ces nouveaux modèles intègrent automatiquement plusieurs étapes habituellement manuelles: réduction de dimension, analyse de fuite et réalisation de l'attaque. Les résultats expérimentaux montrent des performances comparables ou supérieures à l'état de l'art. La seconde partie étudie la pertinence réelle de l'utilisation de l'apprentissage profond pour les attaques non profilées. Plusieurs études de cas montrent que des architectures complexes ne sont pas toujours nécessaires. Dans certains scénarios, des approches plus simples et interprétables offrent des performances équivalentes, voire meilleures, tout en facilitant l'analyse. Cette partie montre également que les méthodes classiques peuvent être revisitées afin de proposer des attaques génériques, interprétables et fiables adaptées à des contraintes réalistes. Enfin, une étude comparative met en évidence l'intérêt des modèles génératifs par rapport aux approches classiques. Ces résultats suggèrent que le modèle NPcVAE-OSM peut constituer une nouvelle référence pour l'évaluation. En somme, les travaux effectués au cours de cette thèse soulignent qu'en évaluation, l'objectif n'est pas uniquement la performance des attaques, mais aussi la fiabilité, l'interprétabilité, la reproductibilité et la réduction de l'expertise nécessaire. Cette thèse contribue ainsi au développement d'approches plus adaptées aux besoins de l'évaluation de sécurité et de la certification des dispositifs cryptographiques.

This thesis addresses the security evaluation of cryptographic implementations through Side-Channel Analysis (SCA). From the evaluator's perspective, two criteria play a central role when assessing the robustness of a target cryptographic implementation: the time required to perform an attack and the level of expertise needed to conduct it. Classical SCA methodologies still strongly rely on evaluator expertise, especially during preprocessing, leakage assessment, dimensionality reduction, and statistical model construction. This dependence limits the automation of attacks, thereby reducing their reproducibility. Recent advances in deep learning have enabled attacks that directly learn from raw side-channel traces, opening new perspectives for automating several tasks traditionally performed manually during side-channel evaluations. However, most existing approaches rely on discriminative models that lack interpretability and strong theoretical grounding, which represents a major limitation in an evaluation context. The objective of this thesis is therefore to design side-channel attack methodologies that simplify and automate the evaluation process while maintaining a high level of reliability. More specifically, we aim at developing attacks that are efficient, generic, and interpretable, while reducing the expertise required, limiting the need for manual processing, and providing interpretable results that ensure a first level of security assessment for evaluated products. The first part of the manuscript focuses on the design of generative models dedicated to profiled and non profiled attacks. Two models, named cVAE-OSM and NPcVAE-OSM, are proposed to build interpretable and theoretically grounded attacks adapted to security evaluation constraints. Unlike discriminative models, these approaches rely on deterministic architectures whose parameters converge toward explainable values directly related to the theoretical foundations of SCA. These new models automatically integrate several steps that are traditionally performed manually, including dimensionality reduction, leakage analysis, and the attack itself. Experimental results show that the proposed models achieve performance comparable to or better than state-of-the-art methods. The second part of the manuscript investigates the actual relevance of deep learning techniques for non profiled attacks from an evaluation perspective. Through several case studies, we show that the systematic use of complex deep learning architectures is not always necessary to achieve efficient attacks. In some scenarios, simpler and more interpretable approaches achieve comparable or even superior performance while making the analysis of results easier for evaluators. This part also demonstrates that classical methods can be revisited and strengthened to provide generic, interpretable, and reliable attacks adapted to realistic evaluation constraints. Finally, through a comparative study, we demonstrate the benefits of using generative models over classical approaches. These results suggest that NPcVAE-OSM should be considered as a new baseline for evaluation purposes. Overall, the work carried out in this thesis highlights that, in evaluation contexts, the objective is not only to maximize attack performance but also to provide methodologies that are reliable, interpretable, reproducible, and require minimal expertise. This thesis therefore contributes to the development of approaches better suited to the needs of security evaluation and certification of cryptographic devices.