Résumé
L'analyse des canaux auxiliaires (SCA) est définie comme le processus d'obtention d'informations sur un dispositif détenant un secret à travers ses fuites physiques telles que la consommation d'énergie ou les émanations électromagnétiques. Quelle que soit la stratégie utilisée, la quantité d'informations que l'on peut obtenir à partir des données d'un canal latéral, appelé trace, est toujours limitée par l'information mutuelle (MI) entre le secret et la trace. Cela en fait, tout jeu de mots mis à part, une quantité clé pour l'évaluation des fuites. Malheureusement, les traces ont généralement une dimension trop élevée pour que les estimateurs statistiques classiques restent fiables lors du calcul de l'information mutuelle sur des traces complètes. Cependant, des travaux récents de la communauté de l'apprentissage automatique ont montré qu'il est possible d'évaluer la MI dans un espace de haute dimension grâce à de nouvelles techniques d'apprentissage profond. Cette thèse explore l'impact de ce nouvel estimateur sur le domaine des canaux auxiliaires.La première partie est consacrée à une analyse de la technique d'estimation neurale de l'information mutuelle (MINE) dans un contexte du SCA, dont l'objectif est de déduire la meilleure façon d'utiliser cet outil en pratique. Elle montre que l'aspect multidimensionnel intrinsèque de la technique est très utile pour le SCA, car il y a souvent de multiples sources de fuites dans les traces. La méthode est dérivée comme un outil générique d'évaluation des fuites qui peut être utilisé quel que soit le type de données, de composants ou d'implémentations. Connaître la quantité d'information contenue dans les traces n’est pas équivalent à savoir l'exploiter de manière optimale pour récupérer un secret tel qu'une clé cryptographique, surtout dans un contexte non supervisé où le profilage de la cible n'est pas autorisé. Par conséquent, la deuxième partie de cette thèse présente un nouveau cadre mathématique, conçu pour faire le lien entre les attaques classiques d'information mutuelle (MIA) et l'aspect multidimensionnel des estimateurs basés sur les réseaux neuronaux. Cela permet de dériver, à notre connaissance, la première attaque non supervisée capable de bénéficier à la fois de la puissance des techniques d'apprentissage profond et des précieuses propriétés théoriques de l’information mutuelle. En pratique, cette attaque présente deux inconvénients : la complexité temporelle, puisqu'elle nécessite autant d'entraînements du réseau qu'il y a d'hypothèses clés (souvent 256), et un a priori explicite quant à l’expression mathématique de la fuite. La troisième partie de la thèse utilise le cadre mathématique précédemment introduit pour construire une architecture neuronale capable de récupérer par elle-même un tel a priori. Cela permet de dériver une nouvelle attaque non supervisée, l'attaque EVIL Machine, ne nécessitant qu’un unique entrainement de réseau résolvant ainsi les deux problèmes précédemment évoqués.