분류 인공지능 모델을 이용한 오류 주입 공격 파라미터 생성 방안
A Methodology for Generating Fault Injection Attack Parameters Using Discriminative Artificial Intelligence Models
4
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
오류 주입 공격은 장비의 오작동을 인위적으로 유도해 인증을 우회하거나 비밀 정보를 획득하는 공격이다. 공격자는 의도하는 오작동을 유도하기 위해 오류의 세기, 주입 시점, 위치와 같은 오류 주입 공격 파라미터를 적절히 선정해야 한다. 파라미터를 빠르게 탐색하기 위해 유전알고리즘과 생성 인공지능을 이용한 기법이 다수 제안되었다. 그러나, 유전알고리즘은 특정 파라미터에 매몰되는 문제가 있으며, 생성 인공지능은 모드 붕괴 등 학습이 어려운 문제가 있다. 본 연구에서는 분류 인공지능 모델을 이용해 파라미터를 생성하는 방안을 제안한다. 분류 모델은 생성 모델 대비 넓은 파라미터 공간을 탐색할 수 있으며, 생성한 파라미터로 오류를 주입하면 높은 성공률로 의도한 오류를 유도할 수 있었다. 제안한 방식은 임의 탐색 대비 평균 30.8배 높은 성공률로 오류 파라미터를 탐색할 수 있었으며, 최신 기법[11] 대비 평균 2.0배 높은 성공률을 보였다.
Abstract
Fault injection attacks are a type of hardware attack inducing malfunctions in a device to bypass authentication or disclose secret information. To induce the intended malfunction, an attacker must appropriately configure fault injection parameters, such as intensity, delay, and location. Various methods leveraging genetic algorithms or generative artificial intelligence (AI) models have been proposed to accelerate parameter exploration. However, genetic algorithms tend to become trapped in specific parameter regions, while generative AI models face training challenges such as mode collapse. In this paper, we propose a parameter generation method using a discriminative model which can explore a broader parameter space, and generated parameters that achieve a high success rate in inducing the intended faults. The proposed method achieved, on average, a 30.8 times higher success rate compared to random search, and a 2.0 times higher than the state-of-the-art method [11].