축소 마스킹에 효율적인 딥러닝 기반 부채널 분석 방안 = Efficient Deep Learning-Based Side-Channel Analysis on Reduced Masking

국문 초록 (Abstract)

부채널 분석 대응 기법 마스킹은 중간값을 임의의 값으로 분할하여 부채널 정보와 상관관계를 제거한다. 마스킹은 필연적으로 큰 메모리 및 연산 부하를 수반한다. 이를 완화하기 위해 작은 키 공간으로 중간값을 추측하기 쉬운 앞뒤 일부 라운드만 마스킹을 적용하는 축소 마스킹이 제안되었다. 한편, 딥러닝 기반 부채널 분석은 여러 시점의 정보를 조합하므로 별도 전처리 없이 비밀키 분석이 가능하다. 그러나, 마스킹은 중간값과 부채널 정보의 직접적 상관성을 제거하므로 딥러닝 모델의 학습을 방해한다. 본 논문은 이에 착안하여 마스킹이 적용되지 않은 중간 계층의 출력을 활용하여 비밀키를 효율적으로 복구하는 방안을 제안한다. 실험 결과, 제안 방법은 기존 딥러닝 기반 템플릿 공격 기법 대비 약 22.5배 적은 부채널 정보만으로도 전체 비밀키를 성공적으로 분석할 수 있었다.

다국어 초록 (Multilingual Abstract)

Side-channel countermeasure masking splits an intermediate value related to the secret key with a random value to remove the correlation between intermediate values and side-channel information. Masking inevitably drives significant memory and computational overhead. In order to reduce the overhead, reduced masking, which conceals intermediate values of front and rear rounds, has been proposed. Meanwhile, the deep learning model is able to reveal the secret key without preprocessing because it combines multi-points of side-channel information. However, masking still interferes with the model's learning as it removes the direct correlation between intermediate value and side-channel information. This paper proposes an efficient analysis method utilizing the unmasked intermediate values of the internal round. Experimental results show that the proposed method can recover the entire secret key using approximately 22.5 times less side-channel information than existing deep learning-based template attacks.