이종 디바이스 환경에 효과적인 신규 딥러닝 기반 프로파일링 부채널 분석
Novel Deep Learning-Based Profiling Side-Channel Analysis on the Different-Device
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
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
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.
참고문헌 (14)
- P. C. Kocher, "Timing attacks on imple mentations of Diffie-Hellman, RSA, D SS, and other systems. in Advances in Cryptology, CRYPTO ’96", LNCS, 1109, pp.104~113 (2001)
- S. Chari, "Template attacks, in Cryptographic Har dware and Embedded Systems, CHES 2002", LNCS, 2523, pp.13~28 (2002)
- S. Ghandali, "Profiled power-analysis atta cks by an efficient architectural exten sion of a CNN implementation", Proc eedings of the 2021 22nd Internationa l Symposium on Quality Electronic De sign (ISQED), pp.395~400 (2021)
- S. Picek, "On t he performance of convolutional neura l networks for side-channel analysis, in International Conference on Securit y, Privacy, and Applied Cryptography Engineering (SPACE)", LNSC, 11348, pp.157~176 (2018)
- R. Benadjila, "Deep learning f or side-channel analysis and introduct ion to ascad database", Journal of Cry ptographic Engineering, 10(2), pp.163~188 (2020)
- H. Yu, "Cross-device profiled side-channel attacks using meta-transfer learning", Proceedings of the in 2021 58th ACM, 2021, 703~708
- P. Cao, "Cross-device profiled side-channel att ack with unsupervised domain adapta tion", IACR Transactions on Cryptogr aphic Hardware and Embedded Systems, 2021(4), pp.27~56 (2021)
- F. Standaert, "A unified frame work for the analysis of side-channel key recovery attacks, in Advanced in Cryptology, EUROCRYPT ’09", LNCS, 5479, pp.443~461 (2009)
- Y. Ganin, "Unsuper vised domain adaptation by backprop agation", Proceedings of the 32nd Int ernational Conference on Machine Lea rning, 37, pp.1180~1189 (2015)
- Y. Won, "Back to the basics : Sea mless integration of side-channel preprocessing in deep neural networks", IEEE Transactions on Information For ensics and Security, 16, pp.3215~3227 (2021)
- A. Gretton, "Dataset Shift in Machine Learning", pp.131~160 (2009), M IT Press
- "CW1173 ChipWhisperer-Lite, ChipWhi sperer-Lite"[URL]
- "trusthingz"[URL]
- D. Kingma, "Adam : a met hod for stochastic optimization", 3rd I nternational Conference on Learning Representations (ICLR) (2015)