💻 computer science

Deep Learning-Assisted Improved Differential Fault Attacks on Lightweight Stream Ciphers

Este trabajo presenta un ataque de fallas diferenciales asistido por aprendizaje profundo que utiliza redes neuronales para identificar la ubicación de fallas en cifrados de flujo ligeros (ACORNv3, MORUSv2 y ATOM) bajo un modelo relajado, logrando recuperar estados secretos con menor complejidad que los métodos tradicionales y proporcionando, por primera vez, resultados experimentales sobre el cifrado ATOM.

Autores originales: Kok Ping Lim, Dongyang Jia, Iftekhar Salam

Publicado 2026-04-01

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Kok Ping Lim, Dongyang Jia, Iftekhar Salam

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como una historia de detectives de alta tecnología, pero en lugar de buscar huellas dactilares en un vaso de vino, están buscando "errores" en la mente de un cifrado digital.

Aquí tienes la explicación de la investigación de Lim, Jia y Salam, traducida a un lenguaje sencillo y con analogías divertidas:

🕵️‍♂️ La Misión: Hackear Cerraduras Digitales con "Golpes"

Imagina que los dispositivos que usamos hoy en día (como los de tu casa inteligente o tu reloj inteligente) tienen cerraduras digitales muy pequeñas y ligeras para no gastar mucha batería. Estas cerraduras se llaman cifrados de flujo.

El problema es que, como son pequeños y están en lugares públicos, un ladrón puede intentar romperlas físicamente. En lugar de usar una llave maestra, el ladrón decide darle un pequeño golpe (un "fallo") a la cerradura justo cuando está funcionando.

La analogía: Imagina que tienes un reloj de arena perfecto. Si le das un pequeño golpe en un momento específico, la arena cae de forma extraña. Si observas cómo cae esa arena "torcida", puedes adivinar dónde le diste el golpe y, por lo tanto, descubrir cómo funciona el reloj por dentro.

🧠 El Nuevo Truco: Usar un "Cerebro Artificial" (Deep Learning)

Antes, los hackers tenían que adivinar dónde había dado el golpe usando reglas muy rígidas y listas de patrones (como mirar una lista de "si pasa esto, entonces es aquí"). Esto funcionaba, pero era lento y a veces fallaba.

En este trabajo, los autores dicen: "¡Eh, usemos Inteligencia Artificial!".

Entrenaron a un cerebro digital (llamado Perceptrón Multicapa o MLP) para que aprenda a reconocer el patrón de la "arena torcida".

Cómo funciona: Le mostraron al cerebro miles de ejemplos de "golpes" en diferentes lugares. El cerebro aprendió a decir: "¡Ah! Este patrón de arena torcida significa que el golpe fue en el diente número 5 de la cerradura".
El resultado: El cerebro fue mucho mejor que los métodos antiguos. Para las cerraduras ACORN y MORUS, acertó casi el 100% de las veces. Para ATOM, acertó más del 80%, lo cual es impresionante porque esa cerradura es muy confusa.

🎯 Las Tres Cerraduras que Probaron

Los investigadores probaron su técnica en tres tipos de cerraduras diferentes:

ACORNv3 (La cerradura rápida):
- Es como una cerradura sencilla pero muy popular.
- El ataque: Con solo unos 20 a 30 golpes (y su cerebro artificial guiándolos), lograron reconstruir toda la llave maestra. Fue tan fácil que casi no les costó tiempo computacional. ¡Fue un éxito total!
MORUSv2 (La cerradura robusta):
- Esta es más grande y compleja, como una caja fuerte con más engranajes.
- El ataque: Necesitaron más golpes (entre 213 y 248) y tuvieron que adivinar un par de números al final (como adivinar un par de letras de un código). Pero aun así, lograron abrir la caja completa. ¡Funcionó!
ATOM (La cerradura con doble seguro):
- Esta es la más especial. Tiene un "filtro de doble llave" que hace que el patrón de la arena sea muy caótico y difícil de predecir.
- El ataque: Aquí el cerebro artificial tuvo más dificultades (acertó el 82%). Intentaron romperla sin saber dónde golpear, pero la cerradura era tan buena que no pudieron recuperar la llave completa.
- La lección: Cuando probaron golpeando exactamente donde querían (con control total), lograron recuperar la mayoría de los engranajes. Esto nos dice que ATOM es muy segura y que su diseño de "doble filtro" funciona muy bien para protegerse de estos ataques.

🚀 ¿Por qué es importante esto?

Es más rápido y preciso: Usar Inteligencia Artificial para encontrar dónde está el error es como tener un detector de metales súper avanzado en lugar de buscar a ciegas.
Mejora la seguridad: Al saber cómo romper estas cerraduras, los fabricantes pueden mejorarlas. Por ejemplo, ahora saben que ATOM es muy fuerte, pero ACORN y MORUS podrían necesitar un poco más de refuerzo si se usan en entornos muy peligrosos.
Es el primer paso: Este es el primer estudio que prueba esta técnica de "golpes + cerebro artificial" en estas cerraduras específicas.

En resumen

Los investigadores tomaron tres cerraduras digitales populares, les dieron pequeños golpes controlados y usaron un cerebro artificial entrenado para adivinar dónde fueron esos golpes. Con esa información, lograron reconstruir las llaves secretas de dos de ellas y demostraron que la tercera es muy difícil de romper.

Es como si un maestro cerrajero hubiera enseñado a una IA a escuchar el "clic" de una cerradura al ser golpeada y, con solo escuchar ese sonido, pudiera decirte exactamente qué pieza se movió y cómo abrirla. ¡Una mezcla fascinante de hacking físico e inteligencia artificial!

Resumen Técnico: Ataques de Fallos Diferenciales Asistidos por Aprendizaje Profundo en Cifrado de Flujo Ligero

1. Planteamiento del Problema

Los primitivos criptográficos ligeros son esenciales para dispositivos con recursos limitados, como los del Internet de las Cosas (IoT). Sin embargo, su accesibilidad física los hace vulnerables a ataques de fallos (fault attacks), donde un adversario induce errores en el hardware para recuperar la clave secreta o el estado interno.

Aunque los ataques de fallos diferenciales (DFA) son una técnica establecida, su aplicación a cifrados de flujo ligeros presenta desafíos:

Identificación de la ubicación del fallo: En modelos relajados donde el adversario no controla dónde se inyecta el fallo, identificar la ubicación exacta es crítico para construir ecuaciones diferenciales válidas. Los métodos tradicionales basados en "firmas" (signature-based) a menudo tienen limitaciones de precisión o requieren suposiciones fuertes.
Complejidad computacional: Recuperar el estado inicial a menudo requiere un gran número de inyecciones de fallos o estrategias de "adivinar y determinar" (guess-and-determine) que aumentan la complejidad de la ataque.
Brecha en la literatura: Existe poca investigación sobre el uso de técnicas de aprendizaje profundo (Deep Learning) para asistir en la identificación de ubicaciones de fallos en cifrados de flujo, a diferencia de su uso en cifrados de bloque.

2. Metodología Propuesta

Los autores proponen un marco de trabajo que integra Redes Neuronales Artificiales (MLP - Perceptrón Multicapa) con ataques de fallos diferenciales bajo un modelo de fallos de inversión de un solo bit (single-bit bit-flipping) sin control sobre la ubicación del fallo.

El proceso se divide en dos fases principales:

A. Identificación de la Ubicación del Fallo (Fase de Clasificación)

Generación de Datos: Se generan conjuntos de datos sintéticos inyectando fallos aleatorios en todas las posiciones posibles del estado inicial de los cifrados. Se comparan las salidas de flujo de claves correctas ( $Z$ ) y defectuosas ( $Z'$ ) para obtener el flujo de claves diferencial ( $\Delta Z = Z \oplus Z'$ ).
Entrenamiento del Modelo MLP: Se entrenan modelos MLP utilizando los flujos de claves diferenciales como entrada para predecir la ubicación del fallo.
- Entrada: Longitud del flujo de claves diferencial.
- Salida: Tamaño del estado interno (número de posibles ubicaciones de fallo).
- Optimización: Se utiliza búsqueda exhaustiva para ajustar hiperparámetros (capas ocultas, neuronas, dropout, funciones de activación como ELU o ReLU).
Comparativa: Se compara el rendimiento del MLP contra el método tradicional basado en firmas.

B. Recuperación del Secreto (Fase de Resolución)

Marco Basado en Umbral: Se introduce una estrategia dinámica para minimizar el número de inyecciones de fallos.
- Se acumulan ecuaciones diferenciales hasta alcanzar un umbral ( $T$ ) definido.
- Si el sistema de ecuaciones no se resuelve en el tiempo límite (usando bases de Gröbner en SageMath), el umbral se incrementa y se inyectan más fallos.
Resolución: Se resuelve el sistema de ecuaciones algebraicas (incluyendo ecuaciones lineales y cuadráticas) para recuperar el estado inicial y la clave. A diferencia de trabajos previos, este método incluye ecuaciones de alto grado para evitar la necesidad de adivinar bits del estado.

3. Contribuciones Clave

Primera aplicación de MLP en DFA para Cifrado de Flujo: Se demuestra la viabilidad de usar aprendizaje profundo para identificar ubicaciones de fallos en cifrados de flujo ligeros (ACORNv3, MORUSv2, ATOM), superando a los métodos basados en firmas.
Marco de Recuperación Optimizado: Introducción de un método basado en umbrales que optimiza el número de fallos necesarios y evita estrategias de adivinanza excesivas al incluir ecuaciones de grado superior.
Análisis de Seguridad de Nuevos Cifrados:
- Recuperación completa del estado inicial de ACORNv3 y MORUSv2.
- Primer ataque DFA experimental contra ATOM, revelando su mayor margen de seguridad debido a su diseño de doble filtro de clave.

4. Resultados Experimentales

Cifrado	Precisión del Modelo (MLP)	Fallos Necesarios (Promedio/Rango)	Complejidad / Notas
ACORNv3	99.9880%	21 - 34 fallos	Recuperación completa del estado (293 bits). Complejidad despreciable. Supera a trabajos previos que requerían adivinar 20 bits o más fallos.
MORUSv2	99.9231%	213 - 248 fallos	Recuperación completa del estado (640 bits). Requiere adivinar como máximo 6 bits ( $2^6$ combinaciones). Supera a análisis teóricos previos que solo recuperaban parcialmente el estado.
ATOM	82.3568%	46 fallos (bajo control preciso)	Primera DFA experimental. Bajo el modelo sin control, la recuperación falló debido a la alta no-determinación del patrón de fallos. Bajo control preciso, se recuperaron 74 de 90 bits del NFSR.

Comparación de Precisión de Identificación:

ACORNv3: MLP (99.988%) vs. Método de Firma (99.974%).
MORUSv2: MLP (99.923%) vs. Método de Firma (95.260%).
ATOM: MLP (82.356%) vs. Método de Firma (58.897%).
Conclusión: El MLP supera consistentemente a los métodos tradicionales, especialmente en cifrados con patrones de difusión complejos como MORUS y ATOM.

5. Significado e Implicaciones

Eficacia del Aprendizaje Profundo: El estudio valida que las redes neuronales pueden aprender patrones de propagación de fallos complejos y no deterministas en cifrados de flujo, ofreciendo una ventaja significativa sobre los métodos analíticos tradicionales.
Evaluación de Seguridad:
- ACORNv3 y MORUSv2: Se demuestra que son vulnerables a ataques de fallos prácticos con un número razonable de inyecciones, incluso sin control sobre la ubicación del fallo.
- ATOM: El cifrado ATOM demuestra un mayor margen de seguridad. Su diseño de "doble filtro de clave" y la dependencia del estado del LFSR para la selección de claves hacen que el patrón de propagación de fallos sea altamente no determinista, dificultando la identificación por ML y la recuperación del estado bajo modelos relajados.
Impacto en IoT: Dado que estos cifrados están diseñados para IoT, los resultados subrayan la necesidad de considerar la resistencia a ataques de fallos físicos en el diseño de primitivas ligeras, ya que los ataques asistidos por IA pueden reducir significativamente la complejidad de la recuperación de claves.

En resumen, este trabajo establece un nuevo estándar para los ataques de fallos en cifrados de flujo, combinando la potencia del aprendizaje profundo para la localización de fallos con estrategias algebraicas optimizadas para la recuperación de claves, proporcionando al mismo tiempo una evaluación rigurosa de la seguridad de algoritmos candidatos recientes.