[論文レビュー] EM-X-DL: Efficient Cross-Device Deep Learning Side-Channel Attack with Noisy EM Signatures

Josef Danial, Debayan Das+4 more|arXiv (Cornell University)|Nov 12, 2020

Cryptographic Implementations and Security参考文献 25被引用数 4

ひとこと要約

本稿では、信号対雑音比（SNR）が低いノイズの多い電磁（EM）トレースを用いて、AES-128に対するクロスデバイス型ディープラーニング側帯域攻撃であるEM-X-DLを提案する。本手法は、インテリジェントなトレーニングデバイス選択、LDAベースの事前処理、トレース平均化を組み合わせることで、未学習のデバイスに対しても最小限のトレースで高い精度の鍵回復を実現し、特に低SNR条件下でも優れた性能を発揮する。

ABSTRACT

This work presents a Cross-device Deep-Learning based Electromagnetic (EM-X-DL) side-channel analysis (SCA), achieving >90% single-trace attack accuracy on AES-128, even in the presence of significantly lower signal-to-noise ratio (SNR), compared to the previous works. With an intelligent selection of multiple training devices and proper choice of hyperparameters, the proposed 256-class deep neural network (DNN) can be trained efficiently utilizing pre-processing techniques like PCA, LDA, and FFT on the target encryption engine running on an 8-bit Atmel microcontroller. Finally, an efficient end-to-end SCA leakage detection and attack framework using EM-X-DL demonstrates high confidence of an attacker with <20 averaged EM traces.

研究の動機と目的

• 低SNRの電磁（EM）トレースにおけるディープラーニングベースの側帯域攻撃のクロスデバイス適合性の課題に対処すること。
• 特にデバイス間のばらつきに起因する、電力トレースと比較して顕著に低下する信号対雑音比（SNR）の問題を克服すること。
• 未確認のターゲットデバイスに対して、最小限のトレース収集で効率的かつエンドツーエンドのEM漏洩検出と鍵回復フレームワークを構築すること。
• インテリジェントなデバイス選択アルゴリズムを用いて、トレーニング時間と必要なトレーニングデバイス数を最小限に抑えること。

提案手法

• 本手法は、複数のトレーニングデバイスから収集した平均化されたEMトレースを用いて、256クラスのディープニューラルネットワーク（DNN）を学習させ、信号対雑音比（SNR）を向上させる。
• 次元削減と特徴の識別能向上を目的として、主成分分析（PCA）、線形判別分析（LDA）、フーリエ変換（FFT）、スペクトログラムなどの事前処理手法を適用する。
• 線形判別分析（LDA）が最も効果的な事前処理手法であることが同定され、最小限のトレーニング時間で平均91.5%の高いクロスデバイス精度を達成した。
• デバイスの類似度に基づいてトレーニングデバイスを知的に選択するアルゴリズムを提案し、ランダム選択と比較して必要なデバイス数を20–40%削減した。
• エンドツーエンドのEMスキャンフレームワークを用いて、新しいターゲットデバイス上の最高漏洩ポイントを、グリッド上の平均化トレースを分類することで特定し、予測頻度比によって信頼性を測定する。
• 訓練済みDNNを活用し、未確認デバイスに対して20未満の平均化EMトレースで高い信頼性で秘密鍵を予測可能である。

実験結果

リサーチクエスチョン

• RQ1 あるデバイス群のEMトレースで学習したディープラーニングモデルが、低SNR条件下の異なる未確認デバイスに対して高い精度を達成できるか？
• RQ2 PCA、LDA、FFT、スペクトログラムのうち、どの事前処理手法が訓練時間の短縮を図りながらも最大のクロスデバイス攻撃精度を実現するか？
• RQ3 デバイス間のばらつきは、電力ベースの攻撃と比較して、EM側帯域攻撃におけるSNRにどのように影響を与えるか？
• RQ4 知的なデバイス選択アルゴリズムは、攻撃性能を劣化させることなく、必要なトレーニングデバイス数を削減できるか？
• RQ5 エンドツーエンドのEMスキャン戦略は、訓練済みDNNを用いて、新しいターゲットデバイスの最適測定位置を高い信頼性で特定できるか？

主な発見

• 提案されたEM-X-DL攻撃は、LDA事前処理を用いることで平均91.5%のクロスデバイス鍵予測精度を達成し、他の手法を顕著に上回った。
• LDA事前処理は平均91.52%の最高精度と最短のトレーニング時間を実現し、テストされた手法の中で最も効率的であることが判明した。
• 本手法は、未確認デバイスに対して20未満の平均化EMトレースで高い信頼性での鍵回復が可能であり、優れた単一トレース攻撃能力を示した。
• トレーニングセットからの最大の相違度を有するデバイスを選択することで、類似またはランダム選択と比較してクロスデバイス精度が向上した。
• エンドツーエンドのEMスキャンフレームワークは、新しいチップ上の最高漏洩領域を正常に同定でき、正しい鍵が左端の四分位領域から高い信頼性で回復可能であった。
• 複数のデバイスを含めた場合、EMトレースのSNRは19.6 dB（電力）から3.1 dB（EM）に急激に低下し、EM SCAにおけるデバイス間ばらつきの深刻な課題を浮き彫りにした。