[논문 리뷰] SCARL: Side-Channel Analysis with Reinforcement Learning on the Ascon Authenticated Cipher

Keyvan Ramezanpour, Paul Ampadu외 1명|arXiv (Cornell University)|2020. 06. 06.

Cryptographic Implementations and Security참고 문헌 42인용 수 13

한 줄 요약

SCARL은 사전 지식이나 학습 데이터가 없이도 전력 트레이스에서 누출 모델을 자동으로 식별하는 강화학습 기반 측면채널 공격 방법을 제안한다. 자동에코더를 통한 특징 추출과 액터-크리틱 네트워크를 활용한 클러스터링을 조합함으로써, SCARL은 단 24,000개의 전력 트레이스만으로 Ascon 암호의 비밀 키를 복구한다. 이는 기존의 DPA 및 CPA 방법과 비교했을 때, 표준 선형 모델 하에서 40,000개의 트레이스를 사용해도 성공하지 못하는 것과 대비된다.

ABSTRACT

Existing side-channel analysis techniques require a leakage model, in the form of a prior knowledge or a set of training data, to establish a relationship between the secret data and the measurements. We introduce side-channel analysis with reinforcement learning (SCARL) capable of extracting data-dependent features of the measurements in an unsupervised learning approach without requiring a prior knowledge on the leakage model. SCARL consists of an auto-encoder to encode the information of power measurements into an internal representation, and a reinforcement learning algorithm to extract information about the secret data. We employ a reinforcement learning algorithm with actor-critic networks, to identify the proper leakage model that results in maximum inter-cluster separation of the auto-encoder representation. SCARL assumes that the lower order components of a generic non-linear leakage model have larger contribution to the leakage of sensitive data. On a lightweight implementation of the Ascon authenticated cipher on the Artix-7 FPGA, SCARL is able to recover the secret key using 24K power traces during the key insertion, or Initialization Stage, of the cipher. We also demonstrate that classical techniques such as DPA and CPA fail to identify the correct key using traditional linear leakage models and more than 40K power traces.

연구 동기 및 목표

• 기존 측면채널 공격 기법이 사전 정의된 누출 모델이나 광범위한 학습 데이터를 필요로 하는 한계를 해결하기 위해.
• 전력 트레이스 내에서 데이터에 의존하는 특징을 자동으로 탐지할 수 있는 자기지도 학습 기반 측면채널 분석 방법을 개발하기 위해.
• Ascon과 같은 경량 암호 구현체에서의 키 복구 효율성을 향상시키기 위해.
• 강화학습이 물리적 측면채널 트레이스에서 비선형 누출 모델을 효과적으로 식별할 수 있음을 입증하기 위해.

제안 방법

• 자기에코더가 원시 전력 트레이스를 노이즈를 줄이고 주요 특징을 유지하는 저차원 내부 표현으로 압축한다.
• 액터-크리틱 네트워크를 활용한 강화학습이 자동에코더의 인코딩된 특징을 보상 함수에 따라 클러스터링한다. 이 보상 함수는 클러스터 간 분리도와 균형 잡힌 클러스터 할당을 강조한다.
• 보상 함수는 두 클러스터 간 평균 차이를 최대화하면서도, 특징이 클러스터에 균형 있게 분포되도록 설계된다.
• 이 방법은 일반적인 비선형 누출 모델에서 저차항이 관측 가능한 전력 누출에 더 큰 기여를 한다고 가정하여, 강화학습 에이전트가 의미 있는 특징 추출을 향해 유도한다.
• 클러스터링 이후, 각 키 후보에 대해 저차항 누출 모델을 추정하고, 특징 간 클러스터 간 차이를 순위 통계량으로 사용하여 정확한 키를 식별한다.
• 이 방법은 Artix-7 FPGA에 구현된 경량 Ascon 구현체에 적용되었으며, 키 복구에 24K개의 전력 트레이스를 사용하였다.

실험 결과

연구 질문

• RQ1 사전 지식이나 학습 데이터 없이 강화학습을 사용해 측면채널 트레이스에서 누출 모델을 탐지할 수 있는가?
• RQ2 자기에코더와 강화학습을 활용한 비지도 학습 접근법이 DPA 및 CPA와 같은 기존 모델 기반 측면채널 공격보다 우수한가?
• RQ3 이 방법은 히스토그램 무게와 같은 표준 선형 모델이 놓치는 비선형 누출 특징을 식별할 수 있는가?
• RQ4 이 자기지도 학습 기반 방법은 전통적 기법 대비 키 복구에 얼마나 많은 전력 트레이스가 필요한가?
• RQ5 강화학습 에이전트는 보상 신호만으로 서로 다른 키 가설에 해당하는 특징을 효과적으로 분리할 수 있는가?

주요 결과

• SCARL은 키 삽입 단계에서 단 24,000개의 전력 트레이스만으로 Ascon 인증 암호의 비밀 키를 성공적으로 복구하였다.
• 이 방법은 기존의 DPA 및 CPA 공격보다 뛰어나며, 표준 히스토그램 무게 또는 가장 높은 비트 누출 모델을 사용할 경우 40,000개의 트레이스를 사용해도 정확한 키를 식별하지 못하는 기존 기법들과 대비된다.
• 강화학습 에이전트는 자동에코더의 인코딩된 특징 간 클러스터 간 차이를 최대화함으로써 의미 있는 누출 모델을 식별하였으며, 효과적인 특징 추출을 의미한다.
• 보상 함수는 350개의 학습 스텝 이후 안정화되었으며, 총 보상은 클러스터 간 차이 성분으로 수렴하여 균형 잡히고 효과적인 클러스터링을 나타낸다.
• 자기에코더는 노이즈를 줄이고 주요 전력 트레이스 특징을 유지하며, 재구성 오차는 22번째 에포크에 안정화되고 25번째 에포크에 완전히 수렴한다.
• 적어도 24,000개의 트레이스를 사용할 경우 정확한 키가 순위 1위로 나타나, 이 방법이 낮은 트레이스 수 상황에서도 효율적이고 강건함을 확인한다.