[논문 리뷰] EM-X-DL: Efficient Cross-Device Deep Learning Side-Channel Attack with Noisy EM Signatures

Josef Danial, Debayan Das외 4명|arXiv (Cornell University)|2020. 11. 12.

Cryptographic Implementations and Security참고 문헌 25인용 수 4

한 줄 요약

이 논문은 노이즈가 많은 전자기(EM) 트레이스를 사용하여 신호 대 잡음비(SNR)가 낮은 조건에서도 단일 트레이스 정확도가 90% 이상을 기록하는 AES-128에 대한 교차 장치 딥러닝 사이드채널 공격인 EM-X-DL을 제안한다. 지능적인 훈련 장치 선택, LDA 기반 사전 처리, 그리고 트레이스 평균화를 조합함으로써, 낮은 SNR 조건에서도 최소한의 트레이스로 예측되지 않은 장치에서 높은 정확도의 키 복구가 가능해진다.

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.

연구 동기 및 목표

• 낮은 신호 대 잡음비(SNR)를 가진 전자기(EM) 트레이스에 대한 딥러닝 기반 사이드채널 공격에서 교차 장치 이식성 문제를 해결하기 위해.
• 특히 장치 간 차이로 인해 발생하는 전력 트레이스에 비해 EM 사이드채널 신호의 신호 대 잡음비(SNR)가 크게 떨어지는 문제를 해결하기 위해.
• 최소한의 트레이스 수집으로 예측되지 않은 타겟 장치에서 EM 유출 탐지 및 키 복구를 위한 효율적이고 종단 간 프레임워크를 개발하기 위해.
• 지능적인 장치 선택 알고리즘을 통해 훈련 시간과 필요한 훈련 장치 수를 최소화하기 위해.

제안 방법

• 신호 대 잡음비(SNR) 향상을 위해 다수의 훈련 장치에서 수집한 평균화된 EM 트레이스를 기반으로 256개 클래스의 딥 네트워크(DNN)를 훈련한다.
• 차원 축소 및 특징 분류 성능 향상을 위해 주성분 분석(PCA), 선형 판별 분석(LDA), 푸리에 변환(FFT), 스펙트로그램 등의 사전 처리 기법을 적용한다.
• 선형 판별 분석(LDA)이 가장 효과적인 사전 처리 방법으로 확인되었으며, 최소한의 훈련 시간으로 평균 교차 장치 정확도 약 91.5%를 달성한다.
• 장치 유사도를 기반으로 훈련 장치를 지능적으로 선택하는 알고리즘을 제안하여, 무작위 선택 대비 필요 훈련 장치 수를 20–40% 감소시킨다.
• 새로운 타겟 장치에서 최고의 유출 지점을 찾기 위해 종단 간 EM 스캐닝 프레임워크를 사용하며, 그리드 상의 평균 트레이스를 분류함으로써 신뢰도를 예측 빈도 비율로 측정한다.
• 훈련된 DNN를 활용해 예측되지 않은 장치에서 20개 이내의 평균화된 EM 트레이스로도 높은 신뢰도로 비밀 키를 예측할 수 있다.

실험 결과

연구 질문

• RQ1 일부 장치에서 수집한 EM 트레이스로 훈련된 딥러닝 모델이 낮은 SNR 조건에서 다른 예측되지 않은 장치를 공격할 때도 높은 정확도를 달성할 수 있는가?
• RQ2 PCA, LDA, FFT, 스펙트로그램 중에서 어느 사전 처리 기법이 교차 장치 공격 정확도를 최대화하면서도 훈련 시간을 최소화하는가?
• RQ3 장치 간 차이가 전력 기반 공격에 비해 EM 사이드채널 공격에서 신호 대 잡음비(SNR)에 어떤 영향을 미치는가?
• RQ4 지능적인 장치 선택 알고리즘이 공격 성능을 저하시키지 않으면서 필요한 훈련 장치 수를 줄일 수 있는가?
• RQ5 종단 간 EM 스캐닝 전략이 훈련된 DNN를 활용해 새로운 타겟 장치에서 최적의 측정 위치를 고도로 신뢰할 수 있게 탐지할 수 있는가?

주요 결과

• 제안된 EM-X-DL 공격는 LDA 사전 처리를 사용하여 평균 교차 장치 키 예측 정확도 약 91.5%를 기록하며, 다른 방법들보다 뚜렷이 뛰어나다.
• LDA 사전 처리는 평균 정확도 91.52%를 기록하며 훈련 시간도 가장 짧아, 시험된 기법들 중에서 가장 효율적인 접근이다.
• 예측되지 않은 장치에서 높은 신뢰도의 키 복구를 위해 평균 20개 이내의 EM 트레이스만으로도 충분하며, 이는 뛰어난 단일 트레이스 공격 능력을 보여준다.
• 훈련 세트와의 최대 이질성을 기반으로 한 장치 선택은 유사하거나 무작위 장치 선택보다 교차 장치 정확도를 향상시킨다.
• 종단 간 EM 스캐닝 프레임워크는 새로운 칩에서 최고의 유출 영역을 성공적으로 식별하였으며, 왼쪽 상단 1사분면에서 정확한 키를 고도로 신뢰도 있게 복구할 수 있었다.
• 여러 장치를 포함할 경우 EM 트레이스의 SNR가 전력 기반의 19.6 dB에서 3.1 dB로 급격히 감소함을 확인하여, EM SCA에서 장치 간 차이가 핵심 과제임을 입증한다.