論文の概要: Power Side-Channel Analysis of the CVA6 RISC-V Core at the RTL Level Using VeriSide

• arxiv url: http://arxiv.org/abs/2512.21362v1
• Date: Tue, 23 Dec 2025 10:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 20:48:41.757944
• Title: Power Side-Channel Analysis of the CVA6 RISC-V Core at the RTL Level Using VeriSide
• Title（参考訳）: VeriSide を用いた RTL レベル CVA6 RISC-V コアのパワーサイドチャネル解析
• Authors: Behnam Farnaghinejad, Antonio Porsia, Annachiara Ruospo, Alessandro Savino, Stefano Di Carlo, Ernesto Sanchez,
• Abstract要約: 本稿では,ソフトウェアベースのAES暗号を解析し,CVA6 RISC-Vコアのサイドチャネルの脆弱性を評価する。 この結果は,将来のRISC-V設計における早期RTL評価の重要性を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 35.69320636471531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Security in modern RISC-V processors demands more than functional correctness: It requires resilience to side-channel attacks. This paper evaluates the vulnerability of the side channel of the CVA6 RISC-V core by analyzing software-based AES encryption uses an RTL-level power profiling framework called VeriSide. This work represents that this design's Correlation Power Analysis (CPA) reveals significant leakage, enabling key recovery. These findings underscore the importance of early-stage RTL assessments in shaping future secure RISC-V designs.
• Abstract（参考訳）: 現代のRISC-Vプロセッサのセキュリティは機能的正当性以上のものを要求する: サイドチャネル攻撃に対するレジリエンスを必要とする。 本稿では,ソフトウェアベースのAES暗号を VeriSide と呼ばれるRTLレベルの電力プロファイリングフレームワークを用いて解析することにより,CVA6 RISC-Vコアのサイドチャネルの脆弱性を評価する。 この研究は、この設計の相関パワー分析(CPA)が重大なリークを明らかにし、キーリカバリを可能にしていることを示している。 これらの結果は,将来のRISC-V設計における早期RTL評価の重要性を浮き彫りにした。

関連論文リスト

• Machine Learning Power Side-Channel Attack on SNOW-V [1.5921232721676104]
  本稿では,SNOW-V暗号アルゴリズムに対する電力解析に基づくサイドチャネル解析(SCA)攻撃について述べる。 その結果、SNOW-Vの機械学習ベースのSCAに対する脆弱性と堅牢な対策の必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-12-25T16:55:00Z)
• Think-Reflect-Revise: A Policy-Guided Reflective Framework for Safety Alignment in Large Vision Language Models [58.17589701432514]
  Think-Reflect-Revise (TRR)は、LVLM(Large Vision Language Models)の安全性向上を目的としたトレーニングフレームワークである。 まず、リフレクティブセーフティ推論(ReSafe)データセットを5000の例で構築し、シンク・リフレクティブ・リフレクティブ・プロセスに従っています。 次に、ReSafeデータセットを用いてターゲットモデルを微調整し、反射行動の初期化を行い、最後に強化学習を通じてポリシー誘導反射を強化する。
  論文  参考訳（メタデータ） (2025-12-08T03:46:03Z)
• Systematic Assessment of Cache Timing Vulnerabilities on RISC-V Processors [1.933344177460887]
  キャッシュベースのタイミング脆弱性に対するIntel x86-64ベンチマークスイートをRISC-Vに移植する作業について述べる。 次に、このベンチマークを用いて、市販のRISC-Vプロセッサ3プロセッサのセキュリティを評価する。
  論文  参考訳（メタデータ） (2025-10-09T14:29:54Z)
• SafeKey: Amplifying Aha-Moment Insights for Safety Reasoning [76.56522719330911]
  大規模推論モデル(LRM)は、応答する前に明示的に推論する新しい世代パラダイムを導入する。 LRMは有害なクエリや敵の攻撃に対して大きな安全リスクをもたらす。 キー文中の安全アハモーメントをより活性化するSafeKeyを提案する。
  論文  参考訳（メタデータ） (2025-05-22T03:46:03Z)
• Security and Reliability Evaluation of Countermeasures implemented using High-Level Synthesis [0.0]
  サイドチャネル分析(SCA)とフォールトインジェクション(FI)攻撃は強力なハードウェア攻撃である。 HLSツールにセキュリティと信頼性による最適化が欠如しているため、HLSベースの設計では、アルゴリズムの特性と対策が損なわれていないことを検証する必要がある。
  論文  参考訳（メタデータ） (2023-12-11T10:13:47Z)
• SCAR: Power Side-Channel Analysis at RTL-Level [1.9010491069067408]
  パワーサイドチャネル攻撃は、暗号化ハードウェアの機密情報をリークするために、暗号化操作の動的電力消費を利用する。 Scarは、グラフニューラルネットワーク(GNN)に基づく、新しいシリコンパワーサイドチャネル分析フレームワークである。 Scarは最大94.49%のローカライズ精度、100%の精度、90.48%の暗号アルゴリズムをリコールする。
  論文  参考訳（メタデータ） (2023-10-10T02:03:52Z)
• Online Safety Property Collection and Refinement for Safe Deep Reinforcement Learning in Mapless Navigation [79.89605349842569]
  オンラインプロパティのコレクション・リファインメント(CROP)フレームワークをトレーニング時にプロパティを設計するために導入する。 CROPは、安全でない相互作用を識別し、安全特性を形成するためにコストシグナルを使用する。 本手法をいくつかのロボットマップレスナビゲーションタスクで評価し,CROPで計算した違反量によって,従来のSafe DRL手法よりも高いリターンと低いリターンが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-13T21:19:36Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。