[논문 리뷰] Screen Gleaning: A Screen Reading TEMPEST Attack on Mobile Devices Exploiting an Electromagnetic Side Channel

Zhuoran Liu, Niels Samwel외 5명|arXiv (Cornell University)|2020. 11. 19.

Cryptographic Implementations and Security참고 문헌 53인용 수 5

한 줄 요약

이 논문은 소프트웨어 정의 신호기(SDR)와 안테나를 사용해 모바일 폰 화면의 전자기 방출을 캡처하고, 딥러닝을 통해 이를 읽을 수 있는 'emage'로 재구성하는 TEMPEST 사이드채널 공격인 스크린 글레닝(screen gleaning)을 소개한다. 이 공격은 라인오브사이트가 없더라도 민감한 정보—예를 들어 2단계 인증 코드—를 성공적으로 복구하며, 인간이 시각적으로 이해할 수 없는 emage 상태에서도 숫자 분류 정확도가 거의 90%에 이를 정도로 높다.

ABSTRACT

We introduce screen gleaning, a TEMPEST attack in which the screen of a mobile device is read without a visual line of sight, revealing sensitive information displayed on the phone screen. The screen gleaning attack uses an antenna and a software-defined radio (SDR) to pick up the electromagnetic signal that the device sends to the screen to display, e.g., a message with a security code. This special equipment makes it possible to recreate the signal as a gray-scale image, which we refer to as an emage. Here, we show that it can be used to read a security code. The screen gleaning attack is challenging because it is often impossible for a human viewer to interpret the emage directly. We show that this challenge can be addressed with machine learning, specifically, a deep learning classifier. Screen gleaning will become increasingly serious as SDRs and deep learning continue to rapidly advance. In this paper, we demonstrate the security code attack and we propose a testbed that provides a standard setup in which screen gleaning could be tested with different attacker models. Finally, we analyze the dimensions of screen gleaning attacker models and discuss possible countermeasures with the potential to address them.

연구 동기 및 목표

• 모바일 폰 화면의 전자기 사이드채널 누출을 통해 민감한 정보를 추출할 수 있는지 탐구하는 것.
• 비시각적이고 이해하기 어려운 전자기 신호(emage)라도 머신러닝을 통해 보안 코드와 같은 기밀 데이터를 복원할 수 있음을 입증하는 것.
• 다양한 환경 및 장치 조건에서 스크린 글레닝을 체계적으로 평가할 수 있도록 매개변수화된 공격자 모델을 포함한 표준화된 테스트베드를 제안하는 것.
• 인증 코드 외에도 일반화된 분류 작업, 예를 들어 포르노그래픽 콘텐츠와 같은 비공개 콘텐츠 탐지와 같은 더 넓은 영향을 탐색하는 것.
• 향후 임베디드 시스템 설계에서 이러한 사이드채널 공격에 대비한 대응 조치를 식별하고 논의하는 것.

제안 방법

• 공격은 라인오브사이트 없이도 모바일 장치의 화면 드라이버에서 발생하는 전자기 신호를 단순한 SDR와 안테나를 사용해 캡처한다.
• 캡처된 신호는 일반적으로 인간의 눈으로 이해하기 어려운 회색조 이미지로 시각화되며, 이를 'emage'라고 한다.
• 딥러닝 분류기가 emage를 원본 화면 콘텐츠로 매핑하도록 훈련되며, 특히 2FA 코드의 숫자를 대상으로 한다.
• 공격 방법은 다양한 조건—예를 들어 장치 간 이식성, 간접 장애물(신문지 등)을 통과하는 경우, 노이즈가 있는 환경—에서 세 대표적인 모바일 폰 모델을 대상으로 검증된다.
• 다양한 공격자 모델 조건을 체계적으로 평가할 수 있도록 다섯 가지 공격자 모델 차원(예: 거리, 안테나 위치, 장치 유형 등)을 포함한 표준화된 테스트베드가 제안된다.
• 이 방법은 사전 지식 없이도 가능한 모든 이미지의 목록을 알고 있지 않은 상태에서 포르노그래픽 콘텐츠를 탐지하는 등의 일반화 시나리오로도 확장된다.

실험 결과

연구 질문

• RQ1 모바일 폰 화면의 전자기 방출을 라인오브사이트 없이 캡처하고, 이를 사용 가능한 이미지(emage)로 재구성할 수 있는가?
• RQ2 딥러닝 분류기가 이해하기 어려운 emage에서 기밀 정보—예를 들어 2FA 코드—를 얼마나 정확하게 복원할 수 있는가?
• RQ3 장애물 뒤나 노이즈가 있는 환경에서도 스크린 글레닝 공격의 효과성은 어떠한가? 다양한 모바일 기기 및 환경 조건에서의 성능은 어떻게 되는가?
• RQ4 사전 지식 없이도 모든 가능한 이미지 목록을 알고 있지 않은 상태에서, 이 공격이 숫자 인식을 넘어서 포르노그래픽 콘텐츠와 같은 다른 종류의 비공개 콘텐츠 탐지에 일반화될 수 있는가?
• RQ5 다양한 공격자 모델 조건에서 스크린 글레닝 공격의 체계적 평가 및 확장에 기여할 수 있는 표준화된 프레임워크는 무엇인가?

주요 결과

• 스크린 글레닝 공격는 SDR를 통해 캡처한 전자기 신호에서 2단계 인증 코드를 성공적으로 복구하며, 개별 숫자의 분류 정확도가 거의 90%에 이를 정도로 높다.
• 캡처된 신호에서 생성된 emage는 일반적으로 인간의 눈으로 이해하기 어려우므로, 공격의 가능성을 확보하기 위해 머신러닝의 필요성이 확인된다.
• 공격는 장치 간 이식성, 간접 장애물, 노이즈 환경 등 다양한 현실 조건에서도 효과를 유지하며, 다양한 실생활 환경에서의 강건성을 입증한다.
• 제안된 테스트베드는 다섯 가지 정의된 차원(예: 거리, 안테나 위치, 장치 유형 등)을 통해 다양한 공격자 모델 조건에서 스크린 글레닝을 체계적으로 평가할 수 있도록 한다.
• 공격는 스마트폰 외에도 태블릿, 랩탑, 스마트 디스플레이 등 다양한 장치 유형에 적용 가능하여, 스마트폰을 넘어서 광범위한 위협 표면을 가짐을 시사한다.
• 본 연구는 예측 불가능한 콘텐츠 재구성으로 이어지는 더 고도화된 공격의 길을 명확히 밝히며, 임베디드 시스템 설계에서의 대응 조치가 급박하게 필요하다는 점을 강조한다.