Ευφυείς Επιθέσεις στο Υλικό με Χρήση Μεθόδων Μηχανικής Μάθησης
Intelligent Attacks on Hardware Using Machine Learning Methods
![Thumbnail](/xmlui/bitstream/handle/11400/4980/Christodoulou_19027.pdf.jpg?sequence=4&isAllowed=y)
Μεταπτυχιακή διπλωματική εργασία
Συγγραφέας
Χριστοδούλου, Παναγιώτα
Ημερομηνία
2021-01-21Επιβλέπων
Michailidis, EmmanouelΛέξεις-κλειδιά
Ασφάλεια υλικού ; Μηχανική Μάθηση ; Αλγόριθμοι ; Επιθέσεις πλευρικού καναλιούΠερίληψη
Η μηχανική μάθηση και οι αλγόριθμοί της χρησιμοποιούνται όλο και περισσότερο στην ανακάλυψη τρωτών σημείων σε λογισμικό και υλικό. Η ευπάθεια υλικού είναι μια εκμεταλλεύσιμη αδυναμία σε ένα σύστημα που επιτρέπει την επίθεση μέσω απομακρυσμένης ή
φυσικής πρόσβασης στο υλικό του συστήματος. Ένας άλλος τύπος ευπάθειας υλικού είναι ένα απροσδόκητο ελάττωμα στη λειτουργία που επιτρέπει στους εισβολείς να αποκτήσουν τον έλεγχο ενός συστήματος αποκτώντας προνόμια ή εκτελώντας κώδικα. Η μηχανική μάθηση βοηθά στον εντοπισμό αυτών των σφαλμάτων πιο γρήγορα και εύκολα. Στο παρελθόν, για παράδειγμα, ένα
σφάλμα θα μπορούσε να εντοπιστεί εντός εβδομάδων. Σήμερα το ίδιο σφάλμα θα μπορούσε να εντοπιστεί σε λίγα λεπτά, ανάλογα με την περίπτωση. Το πρόβλημα είναι όταν αυτή η δύναμη χρησιμοποιείται για σκοτεινούς σκοπούς.
Περίληψη
Machine learning and its algorithms have been increasingly employed in the discovery of vulnerabilities in software and systems. A hardware vulnerability is an exploitable weakness in a computer system that enables attack through remote or physical access to system hardware. Another type of hardware vulnerability is an unexpected flaw in operation that allows attackers to gain control of a system by elevating privileges or executing code. Machine learning helps to identify these errors and bugs more quickly and easily. In the past, for example, an error could be identified within weeks. Today the same error could be identified in minutes, depending on the case. The problem is when this power is used for dark purposes.