2026-11-04,PLOS ONE 发表逢甲大学团队的 [嵌入式 ML-KEM 深度学习侧信道研究](https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0358974)。作者在 ARM Cortex-M4 微控制器上采集功耗轨迹,训练画像模型,从 ML-KEM 解封装过程的 `poly_frommsg()` 阶段恢复 32 字节消息;这针对实现泄漏,并不改变 FIPS 203 所依赖的格困难假设。

论文报告,多层感知机在实验设置下对单条轨迹的逐字节恢复准确率达到 99.98%。这里的“单条”是攻击阶段只需一条目标轨迹,并不意味着无需前期条件:画像攻击先在可控设备和已知数据上收集训练轨迹、学习泄漏特征,再迁移到目标测量。攻击者还需要近距离功耗或电磁采集条件,因此结果不能解释成普通网络对手可直接读出会话秘密。

为了检验模型是否只记住一颗芯片的噪声,研究又把训练得到的特征用于三颗 STM32F415 设备。论文称跨设备逐字节准确率仍超过 99%,但完整 32 字节消息一次全部正确的成功率对器件差异更敏感。这一区分很重要:高字节准确率不自动等于每次都能完整恢复消息,部署风险还取决于纠错、重复测量和攻击者是否能获得多次相似操作。

作者进一步对记录后的轨迹施加 Butterworth 与 Chebyshev 低通滤波,比较不同截止频率和阶数下的模型准确率。激进衰减令准确率明显下降,说明可学习泄漏有相当部分集中在较高频段。论文同时明确,这种离线数字滤波只是定位频谱敏感区域的分析工具,不能证明给软件输出做滤波就能阻止现实采集;可部署防护仍可能需要掩码、打乱、去同步以及电源或电磁采集路径的硬件调理。

论文开放了相关数据与代码仓库,便于复核模型和预处理流程,但其结论仍受目标实现、板卡、采样设备、训练集与模型结构约束。工程评估应复现自己使用的 ML-KEM 代码路径和编译选项,尤其关注解码与重加密阶段,而不能把一组 Cortex-M4 数字直接套到不同 MCU、专用加速器或已有掩码的实现。

量仔观察

这项同行评审工作为嵌入式密码工程师提供了可复查的泄漏基线,证据强度高于单纯厂商自测,但仍是实验室画像场景。使用 Cortex-M4 或相近边缘平台的团队可把跨芯片训练、单轨迹恢复率和完整消息成功率纳入测试,并优先验证掩码与去同步后的残余泄漏。下一观察点是其他实现的独立复现,以及防护带来的延迟、代码体积和能耗代价。