[논문 리뷰] An Enhanced Convolutional Neural Network in Side-Channel Attacks and Its Visualization

Minhui Jin, Mengce Zheng외 2명|arXiv (Cornell University)|2020. 09. 18.

Cryptographic Implementations and Security참고 문헌 35인용 수 13

한 줄 요약

이 논문은 전력 트레이스에서 정보가 많은 누출 지점을 더 잘 집중할 수 있도록 컨볼루션 블록 주의 모듈(CBAM)을 통합한 향상된 컨볼루션 신경망(CNN)을 제안한다. 이 방법은 네 개의 공개 데이터셋에서 기존의 ASCAD 네트워크를 능가하며, 모델의 뛰어난 성능을 설명하기 위해 새로운 시각화 기법인 클래스 기울기 시각화(CGV)를 도입하여 노이즈에 비해 관련 누출 영역에 주의를 기울인다는 것을 입증한다.

ABSTRACT

In recent years, the convolutional neural networks (CNNs) have received a lot of interest in the side-channel community. The previous work has shown that CNNs have the potential of breaking the cryptographic algorithm protected with masking or desynchronization. Before, several CNN models have been exploited, reaching the same or even better level of performance compared to the traditional side-channel attack (SCA). In this paper, we investigate the architecture of Residual Network and build a new CNN model called attention network. To enhance the power of the attention network, we introduce an attention mechanism - Convolutional Block Attention Module (CBAM) and incorporate CBAM into the CNN architecture. CBAM points out the informative points of the input traces and makes the attention network focus on the relevant leakages of the measurements. It is able to improve the performance of the CNNs. Because the irrelevant points will introduce the extra noises and cause a worse performance of attacks. We compare our attention network with the one designed for the masking AES implementation called ASCAD network in this paper. We show that the attention network has a better performance than the ASCAD network. Finally, a new visualization method, named Class Gradient Visualization (CGV) is proposed to recognize which points of the input traces have a positive influence on the predicted result of the neural networks. In another aspect, it can explain why the attention network is superior to the ASCAD network. We validate the attention network through extensive experiments on four public datasets and demonstrate that the attention network is efficient in different AES implementations.

연구 동기 및 목표

• 전력 트레이스의 정보가 많은 누출 지점을 우선시하는 주의 메커니즘을 통합하여 CNN 기반 사이드 채널 공격 성능을 향상시키는 것.
• 기존의 CNN 모델에서 정확도를 떨어뜨리는 관련 없는 트레이스 포인트에서 오는 노이즈 문제를 해결하는 것.
• 모델의 예측에 가장 기여하는 입력 트레이스 포인트를 설명할 수 있는 시각화 방법을 개발하는 것.
• 여러 개의 AES 구현체에서 제안된 주의 네트워크를 최신 기술인 ASCAD 네트워크와 비교하는 것.
• 마스킹 및 노이즈가 있는 사이드 채널 환경에서 주의 메커니즘이 얼마나 효과적인지 검증하는 것.

제안 방법

• 전력 트레이스의 정보가 많은 영역을 동적으로 강조하기 위해 컨볼루션 블록 주의 모듈(CBAM)을 통합한 잔차 네트워크 기반의 CNN 아키텍처를 제안한다.
• 채널 및 공간 주의를 적용하여 관련 없는 트레이스 포인트를 억제하고 노이즈 영향을 줄이기 위해 경량이며 학습 가능한 모듈인 CBAM을 통합한다.
• 기울기 기반의 샐런시 매핑을 통해 모델의 예측에 가장 영향을 주는 입력 트레이스 포인트를 식별하기 위해 새로운 시각화 기법인 클래스 기울기 시각화(CGV)를 도입한다.
• DPAcontest v4, AES_RD, AES_HD, ASCAD의 네 개의 공개 사이드 채널 데이터셋에서 주의 네트워크를 엔드 투 엔드로 훈련시킨다.
• CGV가 강조한 영역의 관련성을 검증하기 위해 CPA 분석을 베이스라인으로 사용한다.
• 모든 데이터셋에서 제안된 주의 네트워크와 ASCAD 네트워크 간의 공격 성공률 및 주의 패턴을 비교한다.

실험 결과

연구 질문

• RQ1 CBAM을 CNN 아키텍처에 통합함으로써 마스킹 및 노이즈가 있는 AES 구현체에서 사이드 채널 공격 성능을 향상시킬 수 있는가?
• RQ2 제안된 모델의 주의 메커니즘이 ASCAD 네트워크와 비교해 누출 지점을 집중하는 방식에서 어떻게 다를까?
• RQ3 기존 방법과 비교해 클래스 기울기 시각화(CGV) 기법이 모델의 관련 누출 영역에 대한 주의를 어느 정도 드러내는가?
• RQ4 마스킹 및 무작위 지연과 같은 대응 조치가 적용된 상황에서도 주의 네트워크는 뛰어난 성능을 유지하는가?
• RQ5 CGV는 주의 네트워크가 키 복구 정확도 측면에서 ASCAD 네트워크를 능가하는 이유를 설명할 수 있는가?

주요 결과

• 모든 네 개의 데이터셋에서 주의 네트워크는 ASCAD 네트워크보다 높은 키 복구 성공률을 기록한다. 마스킹 및 노이즈가 있는 구현체에서도 마찬가지다.
• 노이즈가 높은 AES_HD에서는 주의 네트워크가 정확한 누출 영역(샘플 980–1000)에 집중함으로써 ASCAD보다 뚜렷이 뛰어난 성능을 보인다. 반면 ASCAD는 관련 없는 영역에 주의를 기울여 성능이 떨어진다.
• 무작위 지연이 있는 AES_RD에서는 주의 네트워크가 정확한 누출 영역(3000–3500)을 식별하지만, ASCAD 네트워크는 비누출 영역에 주의를 기울여 효과가 떨어진다.
• 클래스 기울기 시각화(CGV)는 주의 네트워크가 CPA 분석에서 높은 상관관계를 보이는 영역에 집중함을 확인한다. 반면 ASCAD는 정보가 있는 영역뿐 아니라 노이즈 영역까지 학습한다.
• 마스킹이 적용된 ASCAD 데이터셋에서는 주의 네트워크가 마스크와 S-박스 출력 누출에 해당하는 세 개의 핵심 누출 영역(50–400, 350–400, 600)을 고립시키지만, ASCAD는 전체 트레이스에 걸쳐 주의를 산산이 흩트린다.
• 시각화 결과는 주의를 통해 노이즈를 억제함으로써 공격 성능이 향상됨을 보여주며, 특히 AES_HD와 같은 고노이즈 환경에서 뚜렷한 개선 효과가 있다.