BEGIN:VCALENDAR VERSION:2.0 PRODID:-//linuxsoftware.nz//NONSGML Joyous v1.4//EN BEGIN:VEVENT SUMMARY:Hacking the privacy amplification of quantum key distribution with machine learning\, and countermeasures: An argument for considering class ical side channels in quantum key distribution DTSTART:20221205T153000Z DTEND:20221205T170000Z DTSTAMP:20260917T034651Z UID:4c79fb99-b5ad-44c2-8420-3a502fbc762e SEQUENCE:3 CREATED:20221202T151248Z DESCRIPTION:Resumo da tese:A distribuição quântica de chaves (QKD) expl ora os princípios da mecânica quântica para gerar e distribuir chaves p rivadas usando sistemas quânticos e um canal clássico público autentica do. Apesar de ser incondicionalmente segura\, as suas implementações nor malmente não o são devido a fontes de fuga de informação inesperadas\, chamadas canais laterais. Espiões exploram estes canais laterais para ob ter informação sobre a chave privada. Canais laterais em QKD ou são sem elhantes aos encontrados em implementações clássicas ou estão relacion ados com o processamento quântico. Até agora\, a investigação e o dese nvolvimento na área têm vindo a negligenciar os primeiros.Nesta tese\, r evemos sumariamente os principais avanços na análise de segurança de QK D\, os principais componentes das implementações e algoritmos de pós-pr ocessamento clássico e o uso de repetidores para aumentar a distância de transmissão. Também revemos de forma integral os principais ataques de canal lateral a implementações de QKD e as suas contramedidas.Propomos t ambém um ataque de canal lateral clássico à etapa de amplificação de privacidade dum protocolo geral de QKD\, usando técnicas de aprendizagem automática para analisar o seu consumo elétrico. Analisamos vários cen ários simulados e conseguimos recuperar toda a chave privada múltiplas v ezes. A máquina de gradient boosting foi o modelo com melhor performance em praticamente todos os cenários e recuperou toda a chave para taxas de amostragem do instrumento de medida suficientemente altas\, independenteme nte do tamanho da matriz de hashing e do nível de ruído usados. Para mod elos imperfeitos\, formulamos uma estratégia\, baseada na análise das ma trizes de confusão do modelo\, que pode viabilizar uma procura da chave p or força bruta. Nas nossas abordagens de ataque\, encontramos um trade-of f entre o poder computacional necessário e a performance do ataque. Tamb ém discutimos contramedidas baseadas em inserção de ruído\, masking e randomização. Algumas delas conseguem restaurar a segurança incondicion al do protocolo de QKD.Este trabalho demonstra que técnicas de aprendizag em automática podem ser usadas para caraterizar canais laterais duma impl ementação de QKD de forma robusta e executar ataques poderosos. LAST-MODIFIED:20221202T154045Z LOCATION:Online URL:http://df.vps.tecnico.ulisboa.pt/pt/eventos/hacking-the-privacy-amplif ication-of-quantum-key-distribution-with-machine-learning-and-countermeasu res-an-argument-for-considering-classical-side-channels-in-quantum-key-dis tribution/ X-ALT-DESC;FMTTYPE=text/html:

Resumo da tese:< /b>

A distribuição quântica de chaves (QKD ) explora os princípios da mecânica quântica para gerar e distribuir ch aves privadas usando sistemas quânticos e um canal clássico público aut enticado. Apesar de ser incondicionalmente segura\, as suas implementaçõ es normalmente não o são devido a fontes de fuga de informação inesper adas\, chamadas canais laterais. Espiões exploram estes canais laterais p ara obter informação sobre a chave privada.

Canais laterais em QKD ou são semelhantes aos encontrados em implementações clássicas ou estão relacionados com o processamento quântico. Até agora\, a investi gação e o desenvolvimento na área têm vindo a negligenciar os primeiro s.

Nesta tese\, revemos sumariament e os principais avanços na análise de segurança de QKD\, os principais componentes das implementações e algoritmos de pós-processamento cláss ico e o uso de repetidores para aumentar a distância de transmissão. Tam bém revemos de forma integral os principais ataques de canal lateral a im plementações de QKD e as suas contramedidas.

Propomos também um ataque de canal lateral clássico à etapa de amplificação de privacidade dum protocolo geral de QKD\, usando téc nicas de aprendizagem automática para analisar o seu consumo elétrico. A nalisamos vários cenários simulados e conseguimos recuperar toda a chave privada múltiplas vezes. A máquina de gradient boosting foi o modelo co m melhor performance em praticamente todos os cenários e recuperou toda a chave para taxas de amostragem do instrumento de medida suficientemente a ltas\, independentemente do tamanho da matriz de hashing e do nível de ru ído usados.

Para modelos imperfeitos\, formulamos uma estratég ia\, baseada na análise das matrizes de confusão do modelo\, que pode vi abilizar uma procura da chave por força bruta. Nas nossas abordagens de a taque\, encontramos um trade-off entre o poder computacional necessário e a performance do ataque. Também discutimos contramedidas baseadas em ins erção de ruído\, masking e randomização. Algumas delas conseguem rest aurar a segurança incondicional do protocolo de QKD.

Este trabalho demonstra que técnicas de aprendizagem a utomática podem ser usadas para caraterizar canais laterais duma implemen tação de QKD de forma robusta e executar ataques poderosos.

END:VEVENT END:VCALENDAR