[논문 리뷰] Automatic Extraction of Secrets from the Transistor Jungle using Laser-Assisted Side-Channel Attacks

Thilo Krachenfels, Tüba Kiyan외 2명|arXiv (Cornell University)|2021. 02. 23.

Physical Unclonable Functions (PUFs) and Hardware Security참고 문헌 51인용 수 4

한 줄 요약

이 논문은 레이저 보조 사이드 채널 공격과 딥러닝을 결합하여 하드웨어 루트오브트러스트(RoT) 장치에서 기밀 키를 자동으로 추출하는 새로운 방법을 제시한다. 알려진 장치에서 블랙박스 측정값을 기반으로 컨volutional 신경망(CNN)을 훈련시킴으로써, IC 레이아웃이나 메모리 셀 구조에 대한 사전 지식 없이도 알려지지 않은 피해자 장치에서 고정밀도로 키를 추출할 수 있으며, 20 nm FPGA와 180 nm 마이크로컨트롤러를 포함한 세 가지 다른 하드웨어 플랫폼에서 성공을 입증하였다.

ABSTRACT

The security of modern electronic devices relies on secret keys stored on secure hardware modules as the root-of-trust (RoT). Extracting those keys would break the security of the entire system. As shown before, sophisticated side-channel analysis (SCA) attacks, using chip failure analysis (FA) techniques, can extract data from on-chip memory cells. However, since the chip's layout is unknown to the adversary in practice, secret key localization and reverse engineering are onerous tasks. Consequently, hardware vendors commonly believe that the ever-growing physical complexity of the integrated circuit (IC) designs can be a natural barrier against potential adversaries. In this work, we present a novel approach that can extract the secret key without any knowledge of the IC's layout, and independent from the employed memory technology as key storage. We automate the -- traditionally very labor-intensive -- reverse engineering and data extraction process. To that end, we demonstrate that black-box measurements captured using laser-assisted SCA techniques from a training device with known key can be used to profile the device for a later key prediction on other victim devices with unknown keys. To showcase the potential of our approach, we target keys on three different hardware platforms, which are utilized as RoT in different products.

연구 동기 및 목표

• 사이드 채널 공격을 위한 IC 역설계 분석의 높은 비용과 노동 집약성을 해결하기 위해.
• 기존 사이드 채널 공격에서 칩 레이아웃과 메모리 셀 설계에 대한 상세한 지식이 필요로 하는 한계를 극복하기 위해.
• 레이저 기반 사이드 채널 측정값에 기반한 머신러닝을 이용해 키 추출 과정을 자동화하기 위해.
• 기본적인 내부 구조 지식 없이도 다양한 하드웨어 플랫폼에서 기밀 키를 추출할 수 있음을 입증하기 위해.
• 실제 임상 시스템에서 사용되는 중요한 시스템용 RoT 장치에 적용 가능한 확장성 있고 일반적인 키 추출 기법을 제공하기 위해.

제안 방법

• 기본 기밀 키가 알려진 장치에서 열화된 레이저 자극(thermal laser stimulation, TLS) 및 레이저 논리 상태 영상(laser logic state imaging, LLSI) 기반 사이드 채널 분석(Side-Channel Analysis, SCA) 기법을 활용하여 장치의 활동을 캡처한다.
• 레이저 스캐닝 현미경(laser scanning microscopy, LSM)을 사용하여 훈련 장치에서 블랙박스 측정값을 수집하여 내부 논리 상태와 관련된 일시적 반응을 기록한다.
• 이러한 레이블이 부여된 측정값을 기반으로 컨volutional 신경망(Convolutional Neural Networks, CNNs)을 훈련시어 메모리 셀 내 특정 비트 값과 관련된 패턴을 학습한다.
• 훈련된 CNN 모델을 내부 키가 알려지지 않은 피해자 장치에 적용하며, 재훈련 없이 동일한 측정 환경을 그대로 사용한다.
• 훈련된 모델을 사용해 레이어 아웃 레이아웃이나 셀 구조를 수동으로 역설계하지 않고도 원시 LSM 이미지에서 직접 기밀 키 값을 예측한다.
• 20 nm FPGA, 180 nm 마이크로컨트롤러, 60 nm FPGA 등 세 가지 다른 하드웨어 플랫폼에서 이 방법을 검증한다. 이들 모두 루트오브트러스트(RoT) 구성 요소로 사용된다.

실험 결과

연구 질문

• RQ1 레이저 기반 사이드 채널 측정값을 기반으로 훈련된 딥러닝 모델이, 레이아웃 지식 없이도 관련 없는 피해자 장치에서 기밀 키를 정확하게 예측할 수 있는가?
• RQ2 CNN 모델이 다양한 IC 공정 기술과 메모리 유형 간에 얼마나 일반화될 수 있는가? 즉, 내부 구조를 알지 못하는 장치에서 기밀 정보를 추출할 수 있는가?
• RQ3 제안된 방법이 사이드 채널 공격에서 IC 레이아웃과 메모리 셀 기하학적 구조를 수동으로 역설계할 필요 없이 제거할 수 있는가?
• RQ4 불필요한 칩 활동과 노이즈가 존재하는 환경에서도 키 추출 과정이 얼마나 견고한가?
• RQ5 이 방법은 광학적 사이드 채널 분석 외의 다른 FA 현미경 기법으로도 일반화될 수 있는가?

주요 결과

• 제안된 방법은 IC 레이아웃이나 메모리 셀 설계에 대한 지식 없이도 세 가지의 다른 하드웨어 플랫폼—20 nm FPGA, 180 nm 마이크로컨트롤러, 60 nm FPGA—에서 기밀 키를 성공적으로 추출하였다.
• 훈련된 CNN 모델은 피해자 장치에서 심각한 배경 활동과 관련 없는 회로 동작이 존재하는 상황에서도 높은 정확도로 키 예측을 수행하였다.
• 이 방법은 메모리 셀 위치의 수동 역설계와 비트 값 해석을 필요로 하지 않아 공격의 복잡성과 시간을 크게 감소시켰다.
• 이 방법은 일반적이고 확장 가능하며, SRAM과 임베디드 비버니셔블 메모리 등을 포함한 다양한 공정 기술과 메모리 유형에 적용 가능하다.
• 공격자가 타겟 메모리 셀의 정확한 위치나 원시 측정값에서 비트 값을 디코딩하는 방법을 모를 경우에도 이 방법은 여전히 효과가 있다.
• 본 연구는 딥러닝이 레이저 기반 사이드 채널 공격의 자동화와 일반화를 가능하게 하여 공격자의 노력이 최소한의 설정 및 훈련 단계로 축소됨을 입증하였다.