Variously supervised deep learning methods for side-channel attacks

L'utilisation de réseaux de neurones pour effectuer des attaques par canaux auxiliaires profilées sur des systèmes ouverts est aujourd'hui bien établie et fait partie intégrante des évaluations de sécurité. Toutefois, ces techniques présentent encore des faiblesses notables : elles restent largement exploratoires et coûteuses en matière de réglage des hyperparamètres, ce qui les rend difficiles à déployer dans des contextes d'évaluation soumis à des contraintes de temps, et l'étude de leur applicabilité dans des contextes d'attaques non profilées reste limitée. Dans cette thèse, nous avons exploré des stratégies visant à rendre ces approches plus pratiques et plus robustes. Tout d'abord, nous montrons que l'apprentissage ensembliste par stacking peut permettre à une exploration incomplète des hyperparamètres de se concrétiser en une architecture performante, offrant ainsi une solution simple et peu coûteuse pour faciliter la configuration des attaques profilées. Ensuite, nous étudions l'utilisation des réseaux siamois pour mener des attaques horizontales par collision dans des contextes profilés et non profilés. Entre autres aspects, nous introduisons deux méthodes d'apprentissage non supervisé utilisant des réseaux siamois pour projeter des paires de traces dans des représentations latentes plus propices à la détection des collisions, sans s'appuyer sur une sélection systématique des points d'intérêt ou un prétraitement de réalignement. Ces contributions simplifient considérablement la mise en œuvre pratique des attaques horizontales par collision et révèlent que des vulnérabilités auparavant considérées comme difficiles à exploiter peuvent devenir facilement exploitables, ce qui soulève la nécessité de prendre en considération des contre-mesures dédiées.