[논문 리뷰] Enhancing the Performance of Practical Profiling Side-Channel Attacks Using Conditional Generative Adversarial Networks

Ping Wang, Ping Chen외 5명|arXiv (Cornell University)|2020. 07. 10.

Adversarial Robustness in Machine Learning인용 수 11

한 줄 요약

이 논문은 측면 채널 공격에서 부족한 프로파일링 트레이스를 보완하기 위해 조건부 생성 적대적 네트워크(CGAN)를 사용함으로써 공격 성능을 크게 향상시킨다. 유의미한 누출 특성을 반영하는 현실적인 레이블이 부여된 트레이스를 생성함으로써, CGAN은 증강된 데이터셋으로 훈련된 모델이 공격에 필요한 트레이스 수를 50% 이상 감소시킬 수 있도록 한다. 이는 자원과 시간 제약이 있는 실용적 환경에서도 성능을 유지하며, 다양한 모델링 알고리즘을 적용한 경우에도 유효하다.

ABSTRACT

Recently, many profiling side-channel attacks based on Machine Learning and Deep Learning have been proposed. Most of them focus on reducing the number of traces required for successful attacks by optimizing the modeling algorithms. In previous work, relatively sufficient traces need to be used for training a model. However, in the practical profiling phase, it is difficult or impossible to collect sufficient traces due to the constraint of various resources. In this case, the performance of profiling attacks is inefficient even if proper modeling algorithms are used. In this paper, the main problem we consider is how to conduct more efficient profiling attacks when sufficient profiling traces cannot be obtained. To deal with this problem, we first introduce the Conditional Generative Adversarial Network (CGAN) in the context of side-channel attacks. We show that CGAN can generate new traces to enlarge the size of the profiling set, which improves the performance of profiling attacks. For both unprotected and protected cryptographic algorithms, we find that CGAN can effectively learn the leakage of traces collected in their implementations. We also apply it to different modeling algorithms. In our experiments, the model constructed with the augmented profiling set can reduce the required attack traces by more than half, which means the generated traces can provide useful information as the real traces.

연구 동기 및 목표

• 자원과 시간 제약으로 인해 데이터 수집이 제한되는 실용적 측면 채널 공격에서 부족한 프로파일링 트레이스 문제를 해결한다.
• 실제 트레이스 수가 적을 경우에도 프로파일링 측면 채널 공격의 효율성과 성공률을 향상시킨다.
• CGAN로 생성된 트레이스가 실제 프로파일링 데이터셋을 효과적으로 증강하여 모델 성능을 향상시킬 수 있음을 입증한다.
• 다양한 머신러닝 및 딥러닝 모델을 사용한 측면 채널 공격에서 이 방법의 일반성(유니버설리티)을 검증한다.
• CGAN이 첫 번째 차수와 고차수 누출을 포함한 비동기화된 트레이스까지도 학습하고 생성할 수 있는 능력을 탐색한다.

제안 방법

• 조건부 GAN(CGAN)을 적용하여 특정 레이블(예: 비밀 키 비트)을 가진 합성 측면 채널 트레이스를 생성함으로써 프로파일링을 위한 데이터 증강을 실현한다.
• 모델 훈련 이전에 CPA 또는 DPA를 사용하여 생성된 트레이스가 의미 있는 누출 특성을 반영하고 있는지 검증한다.
• 모델의 일반화 능력 향상과 과적합 방지를 위해 원본 프로파일링 데이터셋에 균형 잡힌 수의 생성된 트레이스를 추가한다.
• 증강된 데이터셋을 기반으로 다양한 프로파일링 모델(MLP, SVM, RF, CNN)을 훈련시어 성능 향상 여부를 평가한다.
• 다양한 누출 패턴을 기반으로 CGAN을 훈련시켜 생성된 트레이스가 첫 번째 차수와 고차수 누출을 모두 반영하도록 보장한다.
• 보호되지 않은 및 보호된 암호화 구현체에 모두 이 방법을 적용하여 강건성과 일반화 능력을 테스트한다.

실험 결과

연구 질문

• RQ1 CGAN은 실제 구현체의 의미 있는 누출 특성을 유지하는 합성 측면 채널 트레이스를 효과적으로 생성할 수 있는가?
• RQ2 CGAN로 생성된 트레이스를 활용한 데이터 증강은 성공적인 프로파일링 공격을 위해 필요한 실제 트레이스 수를 얼마나 줄일 수 있는가?
• RQ3 제안된 방법은 SVM, RF, MLP, CNN와 같은 다양한 모델링 알고리즘에서 공격 성능 향상에 기여하는가?
• RQ4 원본 트레이스가 비동기화되거나 정렬되지 않은 경우에도 CGAN이 유용한 트레이스를 생성할 수 있는가?
• RQ5 낮은 데이터 환경에서 CGAN으로 증강된 데이터셋으로 훈련된 모델의 성능은 순수하게 실제 데이터로만 훈련된 모델보다 뛰어나게 되는가?

주요 결과

• ASCAD 데이터셋에서 10,000개의 합성 트레이스를 생성함으로써, 공격에 필요한 실제 트레이스 수가 20,000에서 1,369로 50% 이상 감소하였다.
• CW 데이터셋에서는 100개의 원본 트레이스에 400개의 생성된 트레이스를 추가함으로써, 필요로 하는 트레이스 수가 2,500에서 316으로 감소하였다.
• 모든 테스트된 모델(SVM, RF, MLP, CNN)에서 공격 성능 향상이 확인되어, 이 방법이 다양한 학습 알고리즘에 걸쳐 일반성이 있음을 입증하였다.
• CGAN은 원본 트레이스가 동기화되지 않은 상태에서도 첫 번째 차수와 고차수 누출을 모두 학습하고 생성하는 데 성공하였다.
• 기존의 가우시안 노이즈 추가와 같은 다른 데이터 증강 기법보다 생성된 트레이스를 사용한 공격 성능이 뛰어나, CGAN으로 생성된 데이터의 품질을 확인할 수 있었다.
• 프로파일링 데이터셋이 매우 작을 경우에도(예: 원본 트레이스 100개) 이 방법은 여전히 효과적이며, 실세계 적용 가능성에 매우 높은 잠재력을 보였다.