[논문]이종 디바이스 환경에 효과적인 신규 딥러닝 기반 프로파일링 부채널 분석

우지은; 한동국

doi:10.13089/jkiisc.2022.32.5.987

이종 디바이스 환경에 효과적인 신규 딥러닝 기반 프로파일링 부채널 분석
Novel Deep Learning-Based Profiling Side-Channel Analysis on the Different-Device 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.32 no.5, 2022년, pp.987 - 995

초록
AI-Helper

딥러닝 기반 프로파일링 부채널 분석은 사전에 소비전력과 같은 부채널 정보와 중간값과의 관계를 신경망이 학습한 뒤, 학습된 신경망을 이용하여 공격 파형의 비밀키를 찾아내는 기법이다. 최근에는 실제 부채널 분석 환경을 고려하기 위하여 교차 디바이스 환경에서의 분석 방안들이 제안되고 있다. 그러나 이러한 환경은 프로파일링 디바이스와 공격 디바이스의 칩이 다르면 공격 성능이 낮아지는 한계점이 존재한다. 따라서 본 논문에서는 공격자가 프로파일링 디바이스와 다른 칩을 가지는 공격 디바이스를 가지고 있는 환경을 이종 디바이스라고 정의하고, 이러한 환경을 고려한 분석 방안을 제안하고자 한다. 프로파일링 데이터와 공격 데이터에서 발생하는 도메인 차이를 줄이기 위해 비지도 도메인 적응을 사용하였다. 또한, 각 데이터의 특징을 잘 추출하기 위하여 여러 전처리 데이터와 원본 데이터를 학습하는 신경망 구조인 MCNN를 이용하였다. 이종 디바이스 환경을 구성하기 위해 8-bit 기반 프로세서 1개, 32-bit 기반 프로세서 5개를 이용하여 AES-128 전력 파형을 수집하였다. 제안한 방법론을 적용한 신경망과 적용하지 않은 신경망의 공격 성능을 비교했을 때, 제안한 방법론을 적용한 신경망의 최소 분석 파형 수가 최대 25배 이상 낮아졌다.

Abstract ▼ AI-Helper

Deep learning-based profiling side-channel analysis has been many proposed. Deep learning-based profiling analysis is a technique that trains the relationship between the side-channel information and the intermediate values to the neural network, then finds the secret key of the attack device using the trained neural network. Recently, cross-device profiling side channel analysis was proposed to consider the realistic deep learning-based profiling side channel analysis scenarios. However, it has a limitation in that attack performance is lowered if the profiling device and the attack device have not the same chips. In this paper, an environment in which the profiling device and the attack device have not the same chips is defined as the different-device, and a novel deep learning-based profiling side-channel analysis on different-device is proposed. Also, MCNN is used to well extract the characteristic of each data. We experimented with the six different boards to verify the attack performance of the proposed method; as a result, when the proposed method was used, the minimum number of attack traces was reduced by up to 25 times compared to without the proposed method.

주제어

표/그림 (8)

그림 Fig. 1. An architecture for unsupervised domain adaptation (fine-tuning phase)
그림 Fig. 2. An architecture for unsupervised domain adaptation on SCA (fine-tuning phase)
그림 Fig. 3. MCNN architecture
표 Table 1. Experimental environment
그림 Fig. 4. Experimental results when profiling device is XMEGA128 The guessing entropy of (a) pre-trained model, (b) MMD model
그림 Fig. 5. Experimental results when profiling device is STM32F0 The guessing entropy of (a) pre-trained model, (b) MMD model
표 Table 2. Network structures for MCNN
표 Table 3. The minimum number of attack traces

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 교차 디바이스 환경에서 더 나아가 프로파일링 디바이스와 공격 디바이스가 다른 종류의 칩을 사용하는 환경을 이종 디바이스라고 정의하고, 이를 고려한 부채널 분석 방안을 제안한다. 또한, 8비트 프로세서인 Atmel XMEGA128과 32비트 프로세서인 STM32F0, STM32F1, STM32F3, STM32F4, SCARF-IoT를 이용하여 제안한 방안이 효과적임을 보인다.
본 논문은 프로파일링 디바이스와 공격 디바이스가 다른 칩 종류를 가지는 환경인 이종 디바이스 환경에서 효과적인 딥러닝 기반 프로파일링 부채널 분석 방안을 제안하였다. 다양한 전처리 데이터와 원본데이터를 이용하여 특징 공간을 추출하는 MCNN을 사용하였고, 이렇게 추출한 학습데이터의 특징 공간과 공격 데이터의 특징 공간 사이에서 발생하는 도메인 차이를 딥러닝 기술인 도메인 적응을 이용하여 줄이고자 하였다.
본 절에서는 프로파일링 디바이스와 공격 디바이스가 다른 칩을 사용하는 이종 디바이스 환경에서의 효과적인 신경망 설계 및 분석방안을 제안한다.

가설 설정

2.1절의 프로파일링 단계와 동일하다.
딥러닝 기반 프로파일링 부채널 분석은 공격자가 공격 디바이스와 유사하고 완전히 제어할 수 있는 프로파일링 디바이스를 가진다고 가정한다. 이러한 기기를 이용하여 수집한 부채널 정보와 중간값과의 관계를 신경망이 학습하는 프로파일링 단계가 있고, 학습한 신경망을 이용하여 공격 대상 알고리즘의 비밀정보를 예측하는 공격 단계가 있다.

제안 방법

Contribution: 프로파일링 디바이스와 공격 디바이스의 칩 종류가 동일하지 않아도 비지도 도메인 적응을 이용하여 공격 디바이스에서의 공격 성능을 좋게 하는 딥러닝 기반 프로파일링 부채널 분석 방안을 제안한다. 실험 결과를 통해 공격하고자 하는 디바이스로 학습된 신경망이 아니더라도 공격 디바이스에서의 비지도 도메인 적응을 통해 효과적으로 공격할 수 있음을 보여준다.
본 논문은 프로파일링 디바이스와 공격 디바이스가 다른 칩 종류를 가지는 환경인 이종 디바이스 환경에서 효과적인 딥러닝 기반 프로파일링 부채널 분석 방안을 제안하였다. 다양한 전처리 데이터와 원본데이터를 이용하여 특징 공간을 추출하는 MCNN을 사용하였고, 이렇게 추출한 학습데이터의 특징 공간과 공격 데이터의 특징 공간 사이에서 발생하는 도메인 차이를 딥러닝 기술인 도메인 적응을 이용하여 줄이고자 하였다. 제안한 방법론을 사용하면 공격 디바이스에서 별도의 프로파일링 없이도 공격 성능을 높일 수 있다.
본 절에서는 제안한 방법론의 공격 성능을 보이기 위해 프로파일링 데이터 집합으로만 학습한 신경망(pre-trained model)과 제안한 방법론을 적용한 신경망(MMD model)의 공격 파형 수에 따른 게싱엔트로피를 비교한다.

데이터처리

전처리 방식은 지터, 노이즈 등을 감내할 수 있는 Moving average와 주성분 분석을 사용하였다. Moving average는 5포인트씩 평균을 취한 값을 사용하였고, 주성분 분석을 이용하여 파형을 100포인트로 축소하였다.

이론/모형

실제 공격 성능을 검증하기 위하여 총 6가지 디바이스에서 수집한 AES-128 파형을 이용하였다. 프로파일링을 각각 XMEGA128, STM32F0으로 수행하였을 때, 공격 디바이스 종류와 관계없이 제안한 방법론을 적용하면 공격 성능이 최대 25배 이상 높아진 것을 확인했다.
실험 결과를 통해 공격하고자 하는 디바이스로 학습된 신경망이 아니더라도 공격 디바이스에서의 비지도 도메인 적응을 통해 효과적으로 공격할 수 있음을 보여준다. 이때, 하나의 데이터에 대해 다양한 특징 데이터를 학습하는 MCNN(Multi-scale Convolution Neural Network) 구조를 이용하여 신경망의 정확도를 높임으로써 공격 성능을 더욱 높이고자 하였다.

성능/효과

8개의 Atmel XMEGA 128A1U (8-bit 기반프로세서)를 이용하여 교차 디바이스 환경에서 실험을 진행하였고, Fine-Tuning을 하지 않은 신경망에 대해서 공격했을 때 대부분의 교차 디바이스에서 500개 이상의 공격 파형으로도 게싱 엔트로피가 0으로 수렴하지 않는 결과를 보였다. 그러나 Fine-Tuning을 진행하였을 때, 30개 이하의 공격 파형으로 모든 교차 디바이스에서 게싱 엔트로피가 0으로 수렴하는 결과를 보였다.
따라서 프로파일링 디바이스와 공격 디바이스의 칩 종류가 다른 이종 디바이스 환경에서도 프로파일링 디바이스의 종류와 무관하게 제안한 방법론을 이용하면 공격 성능을 높일 수 있다.
본 논문에서는 교차 디바이스 환경에서 더 나아가 프로파일링 디바이스와 공격 디바이스가 다른 종류의 칩을 사용하는 환경을 이종 디바이스라고 정의하고, 이를 고려한 부채널 분석 방안을 제안한다. 또한, 8비트 프로세서인 Atmel XMEGA128과 32비트 프로세서인 STM32F0, STM32F1, STM32F3, STM32F4, SCARF-IoT를 이용하여 제안한 방안이 효과적임을 보인다.
이는 신경망 구조를 MCNN을 이용함으로써 원본 데이터뿐만 아니라 Moving average, 주성분 분석과 같은 전처리 과정을 통해 데이터의 특징을 효과적으로 추출하여 동시에 학습하기 때문이다. 또한, 프로파일링 디바이스와 공격 디바이스의 조합에 따라 공격 성능이 달라지는 결과가 나타나는데, 이는 각 데이터에서 사용한 MCU 특성에 따라 신경망의 공격 성능에 영향을 끼치는 것이라 판단하였다.
Contribution: 프로파일링 디바이스와 공격 디바이스의 칩 종류가 동일하지 않아도 비지도 도메인 적응을 이용하여 공격 디바이스에서의 공격 성능을 좋게 하는 딥러닝 기반 프로파일링 부채널 분석 방안을 제안한다. 실험 결과를 통해 공격하고자 하는 디바이스로 학습된 신경망이 아니더라도 공격 디바이스에서의 비지도 도메인 적응을 통해 효과적으로 공격할 수 있음을 보여준다. 이때, 하나의 데이터에 대해 다양한 특징 데이터를 학습하는 MCNN(Multi-scale Convolution Neural Network) 구조를 이용하여 신경망의 정확도를 높임으로써 공격 성능을 더욱 높이고자 하였다.
다양한 전처리 데이터와 원본데이터를 이용하여 특징 공간을 추출하는 MCNN을 사용하였고, 이렇게 추출한 학습데이터의 특징 공간과 공격 데이터의 특징 공간 사이에서 발생하는 도메인 차이를 딥러닝 기술인 도메인 적응을 이용하여 줄이고자 하였다. 제안한 방법론을 사용하면 공격 디바이스에서 별도의 프로파일링 없이도 공격 성능을 높일 수 있다.
실제 공격 성능을 검증하기 위하여 총 6가지 디바이스에서 수집한 AES-128 파형을 이용하였다. 프로파일링을 각각 XMEGA128, STM32F0으로 수행하였을 때, 공격 디바이스 종류와 관계없이 제안한 방법론을 적용하면 공격 성능이 최대 25배 이상 높아진 것을 확인했다. 특히 XMEGA128의 경우, 노이즈가 심한 데이터인 STM32F4, SCARF-IoT으로 공격을 했을 때 각각 약 15배, 3배 이상 성능이 좋아졌음을 알 수 있다.

후속연구

따라서 향후에는 다양한 프로파일링 디바이스에 대하여 실험을 진행하고, MCU 특성에 따라 공격 성능에 미치는 영향을 분석할 계획이다.

참고문헌 (14)

P.C. Kocher, "Timing attacks onimplementations of Diffie-Hellman, RSA, DSS, and other systems.", Advances in Cryptology, CRYPTO '96, LNCSvol 1109, pp. 104-113, Jan. 2001
S. Chari, J.R. Rao, and P. Rohatgi, "Template attacks," Cryptographic Har dware and Embedded Systems, CHES 2002, LNCS 2523, pp. 13-28, Aug. 2002
S. Ghandali, S. Ghandali, and S. Tehranipoor, "Profiled power-analysis attacks by an efficient architectural extension of a CNN implementation.", Proceedings of the 2021 22nd International Symposium on Quality Electronic De sign (ISQED), pp. 395-400, Apr. 2021
S. Picek, I. P. Samiotis, J. Kim, A. Heuser, S. Bhasin, and A. Legay, "On the performance of convolutional neural networks for side-channel analysis," in International Conference on Security, Privacy, and Applied Cryptography Engineering (SPACE), LNSC 11348, pp. 157-176, Dec. 2018.
R. Benadjila, E. Prouff, R. Strullu, E. Cagli, and C. Dumas, "Deep learning for side-channel analysis and introduction to ascad database," Journal of Cryptographic Engineering, vol. 10, no. 2, pp. 163-188, Jun. 2020.

상세보기
H. Yu, H. Shan, M. Panoff, and Y. Jin, "Cross-device profiled side-channel attacks using meta-transfer learning." Proceedings of the in 2021 58th ACM/IEEE Design Automation Conference (DAC), pp. 703-708, Dec. 2021.
P. Cao, C. Zhang, X. Lu, and D. Gu, "Cross-device profiled side-channel attack with unsupervised domain adaptation.", IACR Transactions on Cryptogr aphic Hardware and Embedded Systems, vol. 2021, no. 4, pp. 27-56, Aug. 2021.
F. Standaert, T. Malkin, and M.Yung,"A unified frame work for the analysis of side-channel key recovery attacks," Advanced in Cryptology, EUROCRYPT'09, LNCS 5479, pp.443-461, Apr. 2009.
Y. Ganin and V. Lempitsky, "Unsupervised domain adaptation by backpropagation.", Proceedings of the 32nd International Conference on Machine Learning, vol 37, pp.1180-1189, Jul. 2015.
Y. Won, X. Hou, D. Jap, J. Breier, and S. Bhasin, "Back to the basics: Seamless integration of side-channel preprocessing in deep neural networks." IEEE Transactions on Information Forensics and Security, vol. 16, pp. 3215-3227. Apr. 2021

상세보기
A. Gretton, A. A.J. Smola, J. Huang,M. Schmittfull, K.M. Borgwardt, andB. Scholkopf, "Covariate shift andlocal learning by distribution matching", Dataset Shift in Machine Learning, MIT Press, Cambridge, MA, USA, pp. 131-160, 2009
CW1173 ChipWhisperer-Lite, "ChipWhisperer-Lite", https://wiki.newae.com/CW1173_ChipWhispererLite, Sep. 27,2022
Trusthingz, "trusthingz", https://trusthingz.org/, Sep. 27, 2022
D. Kingma and J. Ba, "Adam: amethod for stochastic optimization," 3rd International Conference on Learning Representations (ICLR), May. 2015.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증