[论文解读] Automatic Extraction of Secrets from the Transistor Jungle using Laser-Assisted Side-Channel Attacks

Thilo Krachenfels, Tüba Kiyan+2 more|arXiv (Cornell University)|Feb 23, 2021

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 51被引用 4

一句话总结

本文提出了一种新颖的自动化方法，通过结合激光辅助侧通道攻击与深度学习，从硬件信任根（RoT）设备中提取秘密密钥。通过在已知设备的黑盒测量数据上训练卷积神经网络（CNN），该方法无需事先了解集成电路布局或存储单元结构，即可对未知目标设备实现高精度密钥提取，已在三种不同硬件平台（包括20 nm FPGA 和 180 nm 微控制器）上成功验证。

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.

研究动机与目标

• 解决为侧通道攻击进行集成电路逆向工程所面临的高成本和高人力投入问题。
• 克服传统侧通道攻击中必须掌握芯片布局和存储单元设计细节的局限性。
• 利用机器学习对基于激光的侧通道测量数据进行自动化密钥提取过程。
• 证明可在不了解其内部结构的前提下，从多种硬件平台中提取秘密密钥。
• 实现可扩展、通用的密钥提取方法，适用于现实世界中用于关键系统的信任根（RoT）设备。

提出的方法

• 利用激光辅助侧通道分析（SCA）技术——热激光激发（TLS）和激光逻辑状态成像（LLSI）——在已知秘密密钥的训练设备上捕获设备活动。
• 使用激光扫描显微镜（LSM）从训练设备收集黑盒测量数据，捕获与内部逻辑状态相关的瞬态响应。
• 在这些带标签的测量数据上训练卷积神经网络（CNN），以学习与存储单元中特定位值相关的模式。
• 将训练好的CNN模型应用于密钥未知的目标设备，使用相同的测量设置而无需重新训练。
• 利用训练好的模型直接从原始LSM图像中预测秘密密钥值，绕过对布局或单元结构的手动逆向工程。
• 在三种不同硬件平台上验证该方法：20 nm FPGA、180 nm 微控制器和60 nm FPGA，均作为RoT组件使用。

实验结果

研究问题

• RQ1 在未掌握布局知识的前提下，基于已知设备的激光侧通道测量数据训练的深度学习模型，能否准确预测无关目标设备的秘密密钥？
• RQ2 CNN在不同集成电路工艺技术和存储类型之间具有多大程度的泛化能力，以实现对未知设备的秘密提取？
• RQ3 所提出的方法是否消除了在侧通道攻击中手动逆向工程集成电路布局和存储单元几何结构的需求？
• RQ4 在存在无关芯片活动和噪声的情况下，密钥提取过程的鲁棒性如何？
• RQ5 该方法是否可推广至光学侧通道以外的其他故障分析（FA）显微技术？

主要发现

• 所提出的方法成功从三种不同硬件平台——20 nm FPGA、180 nm 微控制器和60 nm FPGA——中提取了秘密密钥，且完全不依赖对集成电路布局或存储单元设计的了解。
• 训练好的CNN模型在目标设备上实现了高精度的密钥预测，即使设备存在显著的背景活动和无关电路操作。
• 该方法消除了对手手动逆向工程存储单元位置和位值解释的需要，显著降低了攻击的复杂度和时间成本。
• 该方法具有通用性和可扩展性，适用于不同工艺技术与存储类型，包括SRAM和嵌入式非易失性存储器。
• 即使攻击者不知道目标存储单元的确切位置，或无法从原始测量数据中解码位值，该方法依然有效。
• 本研究证明，深度学习可实现对激光辅助侧通道攻击的自动化与泛化，将攻击者的投入最小化为仅需基础设置和训练阶段。