AdaBN을 이용한 고사양 장비 대상 교차 디바이스 프로파일링 부채널 분석 연구 = A study on Cross-Device Profiled Side-Channel Analysis on High-Performance Devices using AdaBN|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Currently, manufacturers ensure the security of high-performance embedded devices by employing cryptographic algorithms whose theoretical security has been verified both domestically and internationally. However, even such cryptographic algorithms can suffer from side-channel vulnerabilities due to side-channel information leaked during device operation. Existing profiled side-channel analysis studies have mainly focused on low-performance devices based on single-core microcontroller units(MCUs). In contrast, high-performance devices have additional noise factors such as operating system scheduling, multi-core architectures, and dynamic frequency scaling making the direct application of conventional techniques unsuitable. Moreover, most prior studies, from an academic perspective and for experimental convenience, do not distinguish between the profiling device and the target device. In practical cross-device environments, however, where the profiling device and the target device are different physical devices of the same model, domain discrepancies caused by inter-device variations can significantly degrade analysis performance.
To address these challenges, this study considers a cross-device environment in which device-level discrepancies exist among high-performance devices. We perform deep learning-base side-channel analysis(DLSCA) using electromagnetic(EM) traces acquired from Raspberry Pi 2B platforms equipped with an ARM Cortex-A7-based multi-core processor. To reflect realistic attack scenarios, the default device environment including the operating system, multi-core architecture, and dynamic frequency settings was left unchanged without artificial manipulation.
When the profiling device and the target device differ, domain discrepancies arise due to variations in side-channel acquisition conditions and subtle hardware differences between devices. These discrepancies are a major cause of performance degradation in DLSCA. Device Discrepancy Correction(DDC)[1] mitigates inter-device domain differences by aligning attack data at the input signal level using meand and variance statistics. However, input-level normalization alone is insufficient to fully correct mismatches in feature representations formed within deep learning models. To overcome this limitation, we propose an unsupervised domain adaptation method based on Adaptive Batch Normalization(AdaBN), which realigns batch normalization statistics using attach data, thereby directly matching layer-wise feature distributions to the attack domain.
Experimental results demonstrate that AdaBN enables the guessing entropy to stably converge to zero for all key bytes. In terms of the average normalized total guessing entropy(NTGE), the proposed method achieves approximately a 10.43% performance improvement over the optimal DDC scheme, confirming its effectiveness for cross-device profiled side-channel analysis(CD-DLSCA).

번역하기

국문 초록 (Abstract)

현재 제조업체들은 국내·외에서 이론적 안전성을 검증받은 암호 알고리즘을 사용하여 고사양 임베디드 장비의 보안 안전성을 확보하고 있다. 하지만 이러한 암호 알고리즘도 장비 동작 중 방출되는 부채널 정보에 의해 부채널 기반의 보안 취약점이 발생할 수 있다. 기존 프로파일링 부채널 분석 연구들은 주로 단일 코어의 MCU 기반의 저사양 장비를 대상으로 분석을 수행해 왔으나, 고사양 장비는 고효율의 컴퓨팅 프로세스를 위한 운영체제 스케줄링, 다중 코어 구조, 동적 주파수 관리 등으로 인해 잡음 요인이 증가하여 기존 기법을 그대로 적용하는 것은 적합하지 않다. 또한 대부분의 연구는 학술적 관점에서 실험상의 용이성을 위하여 프로파일링 장비와 공격 대상 장비를 구분하지 않는다. 하지만 프로파일링 장비와 공격 대상 장비가 동일한 모델이지만 다른 장비로 이뤄진 교차 디바이스(Cross-Device) 환경의 경우, 장비 간의 변동에서 발생하는 도메인 차이로 분석 성능이 저하될 수 있다.
본 연구에서는 이러한 문제를 해결하기 위해 고사양 장비 간 장비 차이가 존재하는 교차 디바이스 환경을 가정하고, ARM Cortrex-A7 기반 다중 코어 프로세서를 탑재한 Raspberry Pi 2B에서 수집한 전자파 신호를 이용해 딥러닝 기반 프로파일링 부채널 분석(DLSCA, Deep Learning-based Side-Channel Analysis)을 수행하였다. 현실적인 공격 시나리오를 반영하기 위해 운영체제, 다중 코어 구조, 가변 주파수 설정 등 장비의 기본 환경을 인위적으로 조정하지 않고 그대로 유지하였다.
프로파일링 장비와 공격 대상 장비가 서로 다를 경우, 부채널 수집 환경 및 장비의 미세한 하드웨어 차이 등으로 장비 간 도메인 차이가 발생한다. 이는 DLSCA 성능 저하의 주요 원인이 된다. DDC(Device Discrepancy Correction)[1]는 입력 신호 수준에서 평균·분산을 기반으로 공격 데이터를 정렬하여 이러한 장비 간 도메인 차이를 완화할 수 있으나, 입력 단계의 정규화만으로는 딥러닝 모델 내부에서 형성되는 특징 수준의 불일치를 충분히 보정하기 어렵다는 한계를 가진다. 이에 본 연구는 BN(Batch Normalization) 통계를 공격 데이터로 재정렬하는 AdaBN(Adaptive Batch Normalization) 기반 비지도 도메인 적응 기법을 적용하여 모델의 계층별 특징 분포를 공격 도메인에 직접 정합시키는 방법을 제안한다. 실험 결과, AdaBN은 모든 바이트에서 게싱 엔트로피가 0까지 안정적으로 수렴하였으며, 평균 NTGE 기준으로 DDC의 최적 스킴 대비 약 10.43% 향상된 성능을 보여 교차 디바이스 프로파일링 부채널 분석(CD-DLSCA, Cross-Device Deep Learning-based Side-Channel Analysis)에서 효과적인 접근임을 확인하였다.

번역하기

현재 제조업체들은 국내·외에서 이론적 안전성을 검증받은 암호 알고리즘을 사용하여 고사양 임베디드 장비의 보안 안전성을 확보하고 있다. 하지만 이러한 암호 알고리즘도 장비 동작 중 ...

목차 (Table of Contents)