تقترح هذه الورقة طريقة لتدريب شبكة عصبية واحدة على آثار كهرومغناطيسية من مواضع مجسات متعددة للكشف عن التسرب عبر مساحة شريحة أكبر، مبرهنةً على فعاليتها من خلال تقييم مزدوج المختبرات حيث نجح نموذج تم توصيفه باستخدام بيانات من مختبر واحد في مهاجمة آثار من مختبر آخر.
المؤلفون الأصليون:Elie Bursztein, Michael Gruber, Karel Král, Jean-Michel Picod, Matthias Probst, Georg Sigl
تخيل أنك تحاول الاستماع إلى محادثة هادئة للغاية تدور داخل غرفة مغلقة (شريحة الكمبيوتر). وللسماع إليها، عليك أن تمسك ميكروفونًا فائق الحساسية (مسبار كهرومغناطيسي) بالقرب جدًا من نقطة محددة على الجدار.
المشكلة: فخ "البقعة المثالية" في الماضي، إذا أردت التنصت على رمز سري يتم معالجته بواسطة شريحة، كان عليك العثور على البقعة "المثالية" الوحيدة على الشريحة حيث تكون "المحادثة" في أعلى مستويات صوتها. وبمجرد العثور على تلك البقعة، كان عليك حفظ مكان الميكروفون بدقة متناهية.
المشكلة هي أنه إذا حاولت الاستماع إلى شريحة مختلفة (حتى لو كانت طرازًا متطابقًا من مصنع آخر)، فسيتعين عليك العثัง عن نفس تلك البقعة بالضبط مرة أخرى. وإذا انحرفت ولو بجزء ضئيل جدًا من المليمتر، فستتلاشى الإشارة، وتفشل محاولة الاستماع الخاصة بك. كان الأمر يشبه محاولة نسخ وصفة من خلال تذوق طبق ما، ولكن إذا حركت ملعقتك مليمترًا واحدًا جهة اليسار، سيتغير الطعم تمامًا. جعل هذا الأمر من الصعب جدًا إثبات أن الأبحاث الأمنية قابلة للتكرار أو اختبار الشرائح بكفاءة أثناء عملية التطوير.
الحل: نهج "الجوقة" (The Chorus Approach) يقدم هذا البحث طريقة جديدة للاستماع. بدلًا من محاولة العثد على بقعة "مثالية" واحدة، قام الباحثون بتدريب عقل حاسوبي (شبكة عصبية) على الاستماع إلى الشريحة من مواقع عديدة مختلفة في وقت واحد.
فكر في الأمر بهذه الطريقة:
الطريقة القديمة: أنت تدرب طالبًا على التعرف على أغنية فقط إذا عُزفت على بيانو معين في غرفة معينة. إذا سمع الأغنية على بيانو مختلف أو في غرفة مختلفة، فلن يتمكن من التعرف عليها.
الطريقة الجديدة: أنت تدرب الطالب على الاستماع إلى الأغنية وهي تُعزف من عشر زوايا مختلفة في الغرفة. الآن، حتى لو جاءت الموسيقى من زاوية مختلفة قليلاً أو من غرفة أخرى تمامًا، لا يزال بإمكان الطالب التعرف على اللحن لأنه تعلم "شكل" الصوت، وليس مجرد الموقع الدقيق.
ما فعلوه بالفعل لم يكتفِ الباحثون بمحاكاة ذلك فحًا، بل بنوه في العالم الحقيقي من خلال تعاون ضخم:
مختبران، بلدان اثنان: عمل فريق في ميونيخ بألمانيا، وفريق آخر في زيورخ بسويسرا، معًا دون أن يزور أحدهما مختبر الآخر أبدًا. استخدما معدات مختلفة وشرائح مختلفة.
الشبكة: لم يختاروا نقطة واحدة فحًا، بل حركوا مسابيرهم في نمط شبكي (مثل رقعة الشطرنج) فوق الشرائح، مما سمح بالتقاط بيانات من عشرات المواقع المختلفة.
التدريب: قاموا بتغذية كل هذه "الزوايا" المختلفة من البيانات في نموذج ذكاء اصطناعي واحد. تعلم النموذج تجاهل الضوضاء الناتجة عن موقع المسبار والتركيز على المعلومات السرية التي تتسرب من الشريحة.
النتائج
القابلية للنقل (Portability): النموذج الذي تم تدريبه في زيورخ استطاع بنجاح "فك" أسرار شريحة تم قياسها في ميونيخ، والعكس صحيح. وهذا أمر بالغ الأهمية لأنه يثبت أنك لست بحاجة لأن تكون في نفس المختبر تمامًا ومع نفس المعدات لكسر الرمز.
المرونة (Resilience): حتى عندما حركوا المسبار قليلاً (محاكيين خطأً بشريًا أو إعدادًا مختلفًا)، ظل النموذج يعمل. لقد كان قويًا ضد "الاضطراب" (Jitter).
خدعة الهجين (The Hybrid Trick): بالنسبة لنسخة الأجهزة (Hardware) الصعبة جدًا في الاختراق، لم يستطع الذكاء الاصطناعي القيام بالمهمة بمفرده. لذا، أنشأوا فريقًا "هجينًا": عمل الذكاء الاصطناعي كمضخم للإشارة (مثل مفتاح التحكم في مستوى الصوت)، حيث قام بتعزيز الإشارة الضعيفة حتى تتمكن أداة رياضية تقليدية من سماع السر أخيرًا.
الخلاصة يدعي هذا البحث أنه من خلال التدريب على بيانات من مواقع عديدة مختلفة للمسبار، يمكننا بناء اختبارات أمنية أكثر مرونة وموثوقية. لم تعد بحاجة إلى التخلص من جميع بياناتك السابقة لمجرد أنك حركت معداتك قليلًا. يمكنك استخدام "جوقة" من نقاط البيانات للعثور على السر، مما يجعل هجمات القنوات الجانبية (Side-channel attacks) أكثر قابلية للنقل والتكرار عبر المختبرات والإعدادات المختلفة.
إليك ملخص تقني مفصل لورقة البحث بعنوان "Profiling Resilient to Change in Probe Position" (التنميط المقاوم للتغير في موضع المجس).
1. بيان المشكلة
تعد تحليل القنوات الجانبية (SCA)، وخاصة باستخدام الانبعاثات الكهرومغناطيسية (EM)، وسيلة قوية لاستخراج المفاتيح السرية من الأجهزة التشفيرية. ومع ذلك، فإن الهجمات المعتمدة على التنميط (حيث يقوم المهاجم بتدريب نموذج على جهاز مستنسخ) تعاني من نقص حاد في قابلية النقل (Portability).
التحدي: النموذج المنمط الذي يتم تدريبه على موضع محدد لمجس كهرومغناطيسي غالباً ما يفشل عندما يتم تحريك المجس ولو قليلاً على الجهاز المستهدف، أو عندما يتم تنفيذ الهجوم على جهاز مختلف بإعداد فيزيائي مختلف.
القيود الحالية: يركز البحث الحالي على "إيجاد البقعة الساخنة" (تحديد أفضل موضع) أو تعزيز الآثار (trace augmentation) لإصلاح عدم المحاذاة الطفيفة. كما أن إعادة إنتاج الأبحاث أمر صعب لأن تحديد المواضع النسبية الدقيقة (والذي يتطلب غالباً شرائح مكشوفة -de-capped- وإعادة تموضع يدوي) نادراً ما يتم نشره أو تكراره.
الفجوة: هناك حاقة إلى طريقة تنميط تكون قوية تجاه التغيرات في موضع المجس (إحداثيات x، y، z) والاختلافات بين الأجهزة دون الحاجة إلى إعدادات فيزيائية متطابقة أو كشف للشرائح.
تستخدم الدراسة تعاوناً فريداً عابراً للمؤسسات بين Google Zurich و جامعة ميونخ التقنية (Fraunhofer AISEC).
الأجهزة (Hardware): لوحات ChipWhisperer جاهزة للاستخدام (STM32F3 و STM32F4) مع إزالة مكثفات التنعيم (لزيادة تسرب الطاقة، مما يجعل التسرب الكهرومغناطيسي أصعب).
الشبكات (Grids): تم التقاط الآثار (traces) على شبكة من المواضع حول مصدر التسرب (على سبيل المثال، شبكات 11x11، 5x5، 101x101) مع أحجام خطوات متفاوتة (من 0.05 مم إلى 2.3 مم).
السيناريوهات:
SW-AES: تشفير AES البرمجي على STM32F3. تم التقاطه في مختبرين مختلفين (ميونخ وزورخ) باستخدام أجهزة أوسيلوسكوب وإعدادات مختلفة.
HW-AES: تشفير AES المسرع عتادياً على STM32F4. تم التقاطه في غرفتين مختلفتين في زورخ بإعدادات مختلفة، مع اشتراكهما في نفس المجس فقط.
مجموعات البيانات العامة: مجموعات SL-STM و SL-XM من [NNR+24] للمقارنة.
ب. نهج التعلم العميق
النموذج: يعتمد على بنية GPAM (نموذج الهجوم المنمط المعمم) [BIK+24].
استراتيجية التدريب: بدلاً من التدريب على "بقعة ساخنة" واحدة، يتم تدريب النموذج على آثار من مواضع شبكية متعددة في وقت واحد. يتعلم النموذج التعميم عبر الاختلافات المكانية.
المعالجة المسبقة: يتم تطبيع الآثار (normalization) إلى النطاق [−1,1] بناءً على الحد الأدنى والأقصى لبيانات المختبر المحدد للتعامل مع اختلافات قياس الجهد.
دراسات الاستئصال (Ablation Studies): قارن المؤلفون بين التدريب متعدد المواضع وبين:
التدريب على بقعة ساخنة واحدة مع كميات هائلة من البيانات.
التدريب على جميع البيانات (بما في ذلك مناطق التسرب المنخفض).
قدرات الاستيفاء (Interpolation) (اختبار المواضع بين نقاط الشبكة).
ج. تقنية الهجوم الهجين (للتسرب المنخفض)
بالنسبة لـ Hardware AES (STM32F4)، كان التسرب منخفضاً جداً بحيث لا يستطيع الشبكة العصبية إجراء تصنيف مباشر. لذا طور المؤلفون نهجاً هجيناً:
تضخيم الإشارة: يتم تدريب شبكة عصبية لعمل استرجاع (regression) لـ مسافة هامينج (Hamming Distance) للجولة الأخيرة (تنتج 16 قيمة عشرية float).
دمج CPA: بد instead من استخدام الآثار الخام للهجوم، يتم تغذية الـ 16 قيمة عشرية الناتجة من الشبكة العصبية في تحليل الارتباط بالطاقة (CPA) الكلاسيكي.
النتيجة: تعمل الشبكة العصبية كمرشح لتنقية الضجيج وتضخيم الإشارة، مما يؤدي إلى رفع نسبة الإشارة إلى الضجيج (SNR) بشكل كبير لعملية الـ CPA.
3. المساهمات الرئيسية
قابلية النقل عبر المختبرات: أول عرض لعملية هجوم كهرومغناطيسي من نمط التنميط حيث تأتي بيانات التنميط من مختبر مختلف تماماً (بلد مختلف، معدات مختلفة، مشغلون مختلفون) وتنجح في مهاجمة جهاز مستهدف في المختبر الآخر.
المقاومة للموضع: إثبات أن التدريب على مواضع مجس متعددة يخلق نموذجاً قوياً ضد إعادة تموضع المجس. يمكن للنموذج اكتشاف التسرب حتى عند تحريك المجس بشكل كبير (مثل الانتقال من وضع "قريب" إلى "بعيد" أو تغيير إحداثيات x/y).
تقنية الهجين (الشبكة العصبية + CPA): طريقة مبتكرة تستخدم الشبكة العصبية كمضخم للإشارة لعملية CPA، مما يسمح باستعادة المفتاح في عمليات تنفيذ AES المسرعة عتادياً حيث فشلت نماذج التعلم العميق القياسية أو الـ CPA القياسي بمفردهما.
مجموعات بيانات واسعة النطاق: نشر مجموعات بيانات واسعة (ملايين الآثار) تم التقاطها تحت ظروف متغيرة، بما في ذلك شبكة دقيقة 101x101، لتسهيل الأبحاث المستقبلية حول قابلية النقل.
4. النتائج الرئيسية
Software AES (STM32F3):
النجاح عبر الأجهزة: النموذج المدرب على بيانات ميونخ نجح في مهاجمة بيانات زورخ (والعكس صحيح)، رغم وجود انخفاض في الأداء مقارنة بالهجمات على نفس الجهاز.
تنوع البيانات مقابل حجمها: التدريب على مواضع متعددة (التنوع) تفوق على التدريب على بقعة ساخنة واحدة مع 5 أضعاف كمية البيانات. كان النموذج متعدد المواضع أقل حساسية لإزاحة x و y و z.
الاستيفاء (Interpolation): نجح النموذج في اكتشاف التسرب في المواضع بين نقاط الشبكة التدريبية، مما يثبت أنه تعلم تمثيلاً مكانياً مستمراً بدلاً من حفظ نقاط منفصلة.
Hardware AES (STM32F4):
نجاح الهجين: نجح نهج (الشبكة العصبية + CPA) الهجين في استعادة المفتاح الكامل على مجموعة بيانات HW-AES-H2 (742 ألف أثر) حيث فشل الـ CPA القياسي.
المتانة: نجح النموذج الهجين المدرب في شريحة/غرفة واحدة في مهاجمة إعداد شريحة/غرفة أخرى.
مجموعات البيانات العامة: حسن نهج المواضع المتعددة من اكتشاف التسرب في مجموعات بيانات SL-XM و SL-STM مقارنة بالتدريب بنقطة واحدة، وإن كانت النتائج تفاوتت بناءً على بنية الشريحة المحددة.
5. الأهمية والآثار المترتبة
قابلية إعادة الإنتاج: يعالج هذا العمل عقبة رئيسية في أبحاث SCA. فهو يشير إلى أن إعادة التموضع اليدوي الدقيق والمكشوف للشرائح ليس ضرورياً تماماً لنجاح الهجمات إذا تم استخدام التدريب متعدد المواضع.
معايير التقييم: يتحدى هذا العمل افتراض "الصندوق الأسود" في التقييمات الأمنية. لا يمكن للمقيمين الاعتماد على موضع مجس واحد "مثالي" للادعاء بالأمان؛ إذ يجب عليهم مراعاة أن المهاجمين يمكنهم التدريب على مواضع متعددة لإيجاد التسرب عبر مساحة أكبر.
كفاءة التطوير: يمكن للمصنعين إعادة استخدام البيانات الملتقطة أثناء عمليات البحث الأولية عن البقع الساخنة لأغراض التنميط، بدلاً من التخلص منها إذا تغير الإعداد لاحقاً.
الاتجاهات المستقبلية: تقترح الورقة أن التنميد المستقبلي يمكن أن يستخدم مجسات محمولة باليد مع تغيير طفيف في الموضع أثناء الالتقاط لتحقيق مرونة مماثلة، مما يلغي الحاجة إلى جداول تحديد مواقع ثلاثية الأبعاد باهظة الثمن ودقيقة.
باختصار، تثبت الورقة أن التعلم العميق، عندما يتم تدريبه على بيانات مكانية متنوعة، يمكنه التغلب على القيود الفيزيائية لموضع المجس الكهرومغناطيسي، مما يجعل الهجمات المعتمدة على التنمط أكثر قابلية للنقل وأكثر خطورة في السيناريوهات الواقعية.