[論文レビュー] Adversarial Attack Based Countermeasures against Deep Learning Side-Channel Attacks

Ruizhe Gu, Ping Wang+3 more|arXiv (Cornell University)|Sep 22, 2020

Semiconductor materials and devices被引用数 2

ひとこと要約

本稿では、深層学習ベースの側帯攻撃から暗号デバイスを保護するための新規対策を提案する。コンパイル段階で、1ピixe攻撃技術を用いて特定されたノイズ命令を、暗号アルゴリズムに意図的に挿入することにより、深層学習および古典的側帯攻撃の両方を遮断する。最小限の検出可能な側帯漏洩に抑えながら、高いセキュリティを達成する。

ABSTRACT

Numerous previous works have studied deep learning algorithms applied in the context of side-channel attacks, which demonstrated the ability to perform successful key recoveries. These studies show that modern cryptographic devices are increasingly threatened by side-channel attacks with the help of deep learning. However, the existing countermeasures are designed to resist classical side-channel attacks, and cannot protect cryptographic devices from deep learning based side-channel attacks. Thus, there arises a strong need for countermeasures against deep learning based side-channel attacks. Although deep learning has the high potential in solving complex problems, it is vulnerable to adversarial attacks in the form of subtle perturbations to inputs that lead a model to predict incorrectly. In this paper, we propose a kind of novel countermeasures based on adversarial attacks that is specifically designed against deep learning based side-channel attacks. We estimate several models commonly used in deep learning based side-channel attacks to evaluate the proposed countermeasures. It shows that our approach can effectively protect cryptographic devices from deep learning based side-channel attacks in practice. In addition, our experiments show that the new countermeasures can also resist classical side-channel attacks.

研究の動機と目的

• 現代の暗号デバイスに対する深層学習ベースの側帯攻撃（DL-SCA）の増大する脅威に対処すること。
• 深層学習モデルの頑健性のため、古典的手法ではDL-SCAに対して効果が不十分であるという限界を克服すること。
• コンパイル段階での敵対的摂動を活用し、側帯漏洩を隠蔽する新たな防御メカニズムを開発すること。
• 深層学習および古典的側帯攻撃（例：テンプレート攻撃）の両方に対して、有効であることを保証すること。

提案手法

• 1ピixe攻撃技術を用いて、側帯トレース内の脆弱な時間サンプルを特定し、敵対的摂動を生成する。
• 意味的に無害であるが、モデルの予測を効果的に混乱させるノイズ命令を選定する。これは敵対的頑健性分析に基づく。
• コンパイル段階で、変動する長さの位置にこれらのノイズ命令を正確に挿入し、トレースの整合性と相関を破壊する。
• 各実行時にコードを再コンパイルすることで、命令パターンをランダム化し、相関解析（例：HMM）による検出を困難にする。
• 深層学習ベースの側帯攻撃（DL-SCA）下での効果を評価するために、マルチレイヤーパーセプトロン（MLP）および畳み込みニューラルネットワーク（CNN）モデルを用いる。
• 実際の電力トレースとキーリカバリランク分析を用いて、古典的テンプレート攻撃（TA）に対する耐性を検証する。

実験結果

リサーチクエスチョン

• RQ1 コンパイル段階で挿入された敵対的摂動は、側帯攻撃における深層学習モデルの性能を効果的に低下させることができるか？
• RQ2 意味的に正当だが敵対的に選択されたノイズ命令の挿入により、側帯トレースと秘密鍵の間の相関が低下するか？
• RQ3 この手法は、深層学習ベースの側帯攻撃および古典的テンプレート攻撃の両方に対して耐性を示せるか？
• RQ4 挿入されたノイズを含むコードの動的再コンパイルは、実行オーバーヘッドおよびトレース検出可能性にどのように影響するか？
• RQ5 攻撃者が相関に基づく技術（例：HMM）を用いてノイズをフィルタリングしようとしても、この手法はどの程度安全に保たれるか？

主な発見

• 提案された対策により、深層学習ベースの側帯攻撃下でMLPおよびCNNモデルを用いたキーリカバリが完全に阻止され、10,000回分の攻撃トレース内では一切成功しなかった。
• テンプレート攻撃（TA）は、保護されていないAESでは560トレースで攻撃に成功したが、対策が施されたAESでは10,000トレース内でもキーリカバリに失敗した。
• 変動する長さのノイズ命令を高相関ポイントに挿入することで、トレースの整合性を破壊し、電力トレースと秘密鍵の間の相関を顕著に低下させた。
• 実行時間のオーバーヘッドは、保護されていない状態の5,482サイクルから、1ピixe保護状態では平均16,418サイクルに増加した。主な要因は各呼び出しでの再コンパイルである。
• ノイズ命令が通常のコードと区別がつかず、一貫したヘッダーやテールを持たないため、相関に基づく解析手法（例：HMM）に対しても耐性を示した。
• 攻撃者が次元削減やGANベースの敵対的サンプル生成を試みても、ノイズがトレースの入力にではなく命令レベルに埋め込まれているため、この手法は依然として頑健である。