[논문 리뷰] A Survey on Amazon Alexa Attack Surfaces

Yanyan Li, Sara Kim외 1명|arXiv (Cornell University)|2021. 02. 23.

AI in Service Interactions참고 문헌 13인용 수 6

한 줄 요약

이 논문은 아마존 알렉사 생태계의 여섯 가지 공격 표면—음성 캡처, 전송, 인식, 스킬 호출, 람다 함수, S3 스토리지—를 조사하여 음성 보조 기술 보안의 취약점을 밝히고, 인증 프로세스 강화, 자동 코드 분석, 설정 감사와 같은 대응 전략을 제안함으로써 개인정보 보호와 시스템 무결성을 향상시킴.

ABSTRACT

Since being launched in 2014, Alexa, Amazon's versatile cloud-based voice service, is now active in over 100 million households worldwide. Alexa's user-friendly, personalized vocal experience offers customers a more natural way of interacting with cutting-edge technology by allowing the ability to directly dictate commands to the assistant. Now in the present year, the Alexa service is more accessible than ever, available on hundreds of millions of devices from not only Amazon but third-party device manufacturers. Unfortunately, that success has also been the source of concern and controversy. The success of Alexa is based on its effortless usability, but in turn, that has led to a lack of sufficient security. This paper surveys various attacks against Amazon Alexa ecosystem including attacks against the frontend voice capturing and the cloud backend voice command recognition and processing. Overall, we have identified six attack surfaces covering the lifecycle of Alexa voice interaction that spans several stages including voice data collection, transmission, processing and storage. We also discuss the potential mitigation solutions for each attack surface to better improve Alexa or other voice assistants in terms of security and privacy.

연구 동기 및 목표

• 스마트 홈 기기와 클라우드 서비스에 대한 알렉사의 점점 증가하는 통합으로 인해 발생하는 알렉사 생태계의 주요 보안 및 프라이버시 위험을 규명하고 분석하기.
• 알렉사 음성 상호작용의 라이프사이클을 검토하고 데이터 수집, 전송, 처리, 저장 단계에서의 취약점을 매핑하기.
• 각 식별된 공격 표면에 대해 실용적인 대응 전략을 제안하여 알렉사 및 유사 음성 보조 기술의 보안성과 신뢰성을 향상시키기.
• 현재 스킬 인증 프로세스의 결함을 다루고, 악성 또는 위장된 스킬을 방지하기 위한 자동화된 지속적 검증 메커니즘을 제안하기.
• 알렉사 백엔드 아키텍처에서 서버리스(Lambda) 함수와 클라우드 스토리지(S3)의 잘못된 설정과 관련된 위험을 평가하기.

제안 방법

• 공격를 여섯 가지 공격 표면으로 체계적으로 분류: 음성 캡처, 음성 트래픽 전송, 알렉사 음성 인식, 스킬 호출, 람다 함수, S3 버킷 액세스.
• 음성 위조, 스킬 스쿼팅, 람다 함수 내의 SQL 인젝션, 잘못 설정된 S3 버킷과 같은 실제 공격 벡터 분석.
• 자동 코드 분석, SQL 인젝션 테스트를 위한 Lambda-Proxy, 설정 감사용 LambdaGuard와 같은 기존 대응 기법 평가.
• 기존 스킬과의 혼동을 방지하기 위해 자동화된, 음소 및 단어 기반의 이름 분석을 통한 스킬 인증 프로세스 개선 제안.
• 기본 설정 검사 도구와 브라우저 확장 프로그램을 사용하여 왁은 또는 공개적으로 읽을 수 있는 S3 버킷에 대한 액세스를 탐지하고 차단할 것을 권장.
• 배포 후에도 동작 일관성을 보장하기 위해 알렉사 스킬에 대한 지속적 인증 및 런타임 무결성 검사를 추진함.

실험 결과

연구 질문

• RQ1 알렉사 음성 상호작용 라이프사이클에서 주요 공격 표면은 무엇이며, 사용자 프라이버시와 시스템 보안을 어떻게 위협하는가?
• RQ2 알렉사 스킬 인증 프로세스의 결함는 스킬 스쿼팅 및 악성 기능 삽입과 같은 공격를 가능하게 하는가?
• RQ3 알렉사 백엔드 아키텍처에서 서버리스(Lambda) 함수와 클라우드 스토리지(S3)와 관련된 보안 위험은 무엇이며, 어떻게 완화할 수 있는가?
• RQ4 LambdaGuard와 SQL 인젝션 테스트 프레임워크와 같은 자동화 도구는 알렉사의 클라우드 인프라 내 취약점을 얼마나 줄일 수 있는가?
• RQ5 지속적 검증과 설정 감사가 알렉사 스킬과 백엔드 서비스의 장기적 보안성을 어떻게 향상시킬 수 있는가?

주요 결과

• 알렉사 음성 상호작용 라이프사이클 전반에 걸쳐 여섯 가지의 명확한 공격 표면을 식별함: 음성 캡처, 전송, 인식, 스킬 호출, 람다 함수, S3 스토리지.
• 스킬 스쿼팅 공격는 특히 스킬 이름의 청각적 및 의미적 분석 부족으로 인한 인증 프로세스의 간극을 악용하여 악성 모방을 가능하게 함.
• 잘못 설정된 S3 버킷은 개인 키와 같은 민감한 데이터를 노출시킬 수 있어, 적절히 보호되거나 감사되지 않으면 심각한 위험을 초래함.
• 입력 검증 부족과 자동 보안 테스팅의 부재로 인해 SQL 인젝션은 여전히 람다 함수에 대한 타당한 위협으로 남아 있음.
• 현재 알렉사 스킬 인증 프로세스는 주로 수작업이며 일관성이 없어, 악성 또는 결함이 있는 스킬이 배포될 위험이 증가함.
• LambdaGuard와 S3 정책 검사기와 같은 자동화 도구는 잘못 설정된 사항을 탐지하고 공격 표면 노출를 크게 줄일 수 있음.