💻 computer science

Profiling Resilient to Change in Probe Position

Este artículo propone un método para entrenar una única red neuronal sobre trazas electromagnéticas de múltiples posiciones de sonda a fin de detectar fugas en un área de chip más amplia, demostrando su eficacia mediante una evaluación en dos laboratorios donde un modelo perfilado con datos de un laboratorio ataca con éxito trazas de otro.

Autores originales: Elie Bursztein, Michael Gruber, Karel Král, Jean-Michel Picod, Matthias Probst, Georg Sigl

Publicado 2026-04-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Elie Bursztein, Michael Gruber, Karel Král, Jean-Michel Picod, Matthias Probst, Georg Sigl

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

Imagina que intentas escuchar una conversación muy silenciosa que ocurre dentro de una habitación cerrada con llave (el chip de computadora). Para oírla, tienes que sostener un micrófono supersensible (una sonda electromagnética) muy cerca de un punto específico en la pared.

El Problema: La Trampa del "Punto Perfecto"
En el pasado, si querías espiar un código secreto siendo procesado por un chip, tenías que encontrar el único punto perfecto en el chip donde la "conversación" era más fuerte. Una vez que encontrabas ese punto, tenías que memorizar exactamente dónde estaba tu micrófono.

¿El problema? Si intentabas escuchar un chip diferente (incluso un modelo idéntico de una fábrica distinta), tendrías que encontrar ese mismo punto exacto de nuevo. Si te desviabas incluso por una fracción diminuta de milímetro, la señal desaparecería y tu intento de escucha fracasaría. Era como intentar copiar una receta probando un plato, pero si movías tu cuchara incluso un milímetro hacia la izquierda, el sabor cambiaba por completo. Esto hacía muy difícil demostrar que la investigación de seguridad era reproducible o probar chips de manera eficiente durante el desarrollo.

La Solución: El Enfoque del "Coro"
Este artículo presenta una nueva forma de escuchar. En lugar de intentar encontrar el único punto "perfecto", los investigadores entrenaron un cerebro informático (una red neuronal) para escuchar el chip desde muchos puntos diferentes a la vez.

Piénsalo así:

Antigua Forma: Entrenas a un estudiante para que reconozca una canción solo si se toca en un piano específico en una habitación específica. Si escuchan la canción en un piano diferente o en una habitación diferente, no pueden reconocerla.
Nueva Forma: Entrenas al estudiante para que escuche la canción tocada desde diez ángulos diferentes en la habitación. Ahora, incluso si la música proviene de un ángulo ligeramente diferente o de una habitación completamente distinta, el estudiante aún puede reconocer la melodía porque aprendió la "forma" del sonido, no solo la ubicación exacta.

Lo Que Realmente Hicieron
Los investigadores no solo simuló esto; lo construyeron en el mundo real con una colaboración masiva:

Dos Laboratorios, Dos Países: Un equipo en Múnich, Alemania, y otro en Zúrich, Suiza, trabajaron juntos sin visitarse nunca en sus laboratorios. Utilizaron equipos diferentes y chips diferentes.
La Rejilla: No eligieron solo un punto. Movieron sus sondas en un patrón de rejilla (como un tablero de ajedrez) sobre los chips, capturando datos desde docenas de posiciones diferentes.
El Entrenamiento: Alimentaron todos estos diferentes "ángulos" de datos en un único modelo de IA. El modelo aprendió a ignorar el ruido causado por la posición de la sonda y a centrarse en la información secreta real que se filtraba del chip.

Los Resultados

Portabilidad: El modelo entrenado en Zúrich pudo "descifrar" con éxito los secretos de un chip medido en Múnich, y viceversa. Esto es un gran logro porque demuestra que no necesitas estar en exactamente el mismo laboratorio con exactamente el mismo equipo para romper el código.
Resiliencia: Incluso cuando movieron la sonda ligeramente (simulando un error humano o una configuración diferente), el modelo aún funcionó. Fue robusto frente a la "inestabilidad".
El Truco Híbrido: Para una versión de hardware muy difícil de descifrar del código, la IA no pudo hacerlo sola. Así que crearon un equipo "híbrido": la IA actuó como un amplificador de señal (como un botón de volumen), potenciando la señal débil para que una herramienta matemática tradicional pudiera finalmente escuchar el secreto.

La Conclusión
El artículo afirma que, al entrenar con datos de muchas posiciones diferentes de la sonda, podemos construir pruebas de seguridad que son mucho más flexibles y fiables. Ya no necesitas tirar todos tus datos anteriores solo porque moviste tu equipo ligeramente. Puedes usar un "coro" de puntos de datos para encontrar el secreto, haciendo que los ataques por canal lateral sean más portátiles y reproducibles en diferentes laboratorios y configuraciones.

Aquí se presenta un resumen técnico detallado del artículo "Perfiles Resilientes al Cambio en la Posición de la Sonda".

1. Declaración del Problema

El Análisis de Canales Laterales (SCA), particularmente utilizando emanaciones Electromagnéticas (EM), es un método poderoso para extraer claves secretas de dispositivos criptográficos. Sin embargo, los ataques perfilados (donde un atacante entrena un modelo en un dispositivo clon) sufren de una falta crítica de portabilidad.

El Desafío: Un modelo perfilado entrenado en una posición específica de la sonda EM a menudo falla cuando la sonda se mueve incluso ligeramente en el dispositivo objetivo, o cuando el ataque se realiza en un dispositivo diferente con una configuración física distinta.
Limitaciones Actuales: La investigación existente se centra en la "búsqueda de puntos calientes" (localizar el mejor punto) o en la augmentación de trazas para corregir desalineaciones menores. Reproducir la investigación es difícil porque la posicionamiento relativo preciso (que a menudo requiere chips descapsados y reposicionamiento manual) rara vez se publica o replica.
El Vacío: Existe la necesidad de un método de perfilado que sea robusto ante cambios en la posición de la sonda (coordenadas x, y, z) y variaciones entre dispositivos, sin requerir configuraciones físicas idénticas o descapsulado.

2. Metodología

Los autores proponen una estrategia de Entrenamiento Multi-Lugar combinada con Aprendizaje Profundo y una técnica novedosa de Ataque Híbrido.

A. Recopilación de Datos y Conjuntos de Datos

El estudio utiliza una colaboración interinstitucional única entre Google Zurich y la Universidad Técnica de Múnich (Fraunhofer AISEC).

Hardware: Placas ChipWhisperer de uso comercial (STM32F3 y STM32F4) con condensadores de desacoplamiento removidos (para aumentar la fuga de potencia, haciendo la fuga EM más difícil).
Sondas: Varias sondas EM (Langer HH 250-75, bobina Riscure de 0.5mm) con diámetros de 250µm y 500µm.
Cuadrículas: Las trazas se capturaron en una cuadrícula de posiciones alrededor de la fuente de fuga (por ejemplo, cuadrículas de 11x11, 5x5, 101x101) con tamaños de paso variables (de 0.05mm a 2.3mm).
Escenarios:
- SW-AES: AES en software en STM32F3. Capturado en dos laboratorios diferentes (Múnich y Zurich) con diferentes osciloscopios y configuraciones.
- HW-AES: AES acelerado por hardware en STM32F4. Capturado en dos habitaciones diferentes en Zurich con configuraciones distintas, compartiendo solo la sonda.
- Conjuntos de Datos Públicos: SL-STM y SL-XM de [NNR+24] para comparación.

B. Enfoque de Aprendizaje Profundo

Modelo: Basado en la arquitectura GPAM (Modelo de Ataque Perfilado Generalizado) [BIK+24].
Estrategia de Entrenamiento: En lugar de entrenar en un único "punto caliente", el modelo se entrena simultáneamente con trazas de múltiples posiciones de la cuadrícula. El modelo aprende a generalizar a través de variaciones espaciales.
Preprocesamiento: Las trazas se normalizan a $[-1, 1]$ basándose en el mínimo/máximo de los datos del laboratorio específico para manejar las diferencias de escalado de voltaje.
Estudios de Ablación: Los autores compararon el entrenamiento multi-lugar contra:
- Entrenamiento en un único punto caliente con cantidades masivas de datos.
- Entrenamiento en todos los datos (incluyendo áreas de baja fuga).
- Capacidades de interpolación (probando posiciones entre los puntos de la cuadrícula).

C. Técnica de Ataque Híbrido (Para Baja Fuga)

Para el AES de Hardware (STM32F4), la fuga fue demasiado baja para que la red neuronal realizara una clasificación directa. Los autores desarrollaron un Enfoque Híbrido:

Amplificación de Señal: Una red neuronal se entrena para regredir la Distancia de Hamming de la última ronda (produciendo 16 valores flotantes).
Integración CPA: En lugar de usar las trazas crudas para el ataque, las 16 salidas flotantes de la red neuronal se alimentan a un Análisis de Correlación de Potencia (CPA) clásico.
Resultado: La red neuronal actúa como un filtro de eliminación de ruido/amplificación, aumentando significativamente la relación señal-ruido (SNR) para el CPA.

3. Contribuciones Clave

Portabilidad Inter-Laboratorio: Primera demostración de un ataque EM perfilado donde los datos de perfilado provienen de un laboratorio completamente diferente (país diferente, equipo diferente, operadores diferentes) y atacan con éxito un dispositivo objetivo en el otro laboratorio.
Resiliencia de Posición: Se demostró que entrenar en múltiples posiciones de la sonda crea un modelo robusto al reposicionamiento de la sonda. El modelo puede detectar fugas incluso cuando la sonda se mueve significativamente (por ejemplo, de distancias "cercanas" a "lejanas" o diferentes coordenadas x/y).
Técnica Híbrida Red Neuronal-CPA: Un método novedoso que utiliza una red neuronal como amplificador de señal para el CPA, permitiendo la recuperación de claves en implementaciones de AES aceleradas por hardware donde el aprendizaje profundo estándar o el CPA estándar fallaron individualmente.
Conjuntos de Datos a Gran Escala: Publicación de conjuntos de datos extensos (millones de trazas) capturados bajo condiciones variables, incluyendo una cuadrícula fina de 101x101, para facilitar la investigación futura sobre portabilidad.

4. Resultados Clave

AES en Software (STM32F3):
- Éxito Inter-Dispositivo: Un modelo entrenado con datos de Múnich atacó con éxito datos de Zurich (y viceversa), aunque con una caída de rendimiento en comparación con los ataques en el mismo dispositivo.
- Diversidad de Datos vs. Volumen: El entrenamiento en múltiples posiciones (diversidad) superó al entrenamiento en un único punto caliente con 5 veces más datos. El modelo multi-lugar fue menos sensible al desplazamiento en x, y y z.
- Interpolación: El modelo detectó con éxito fugas en posiciones entre los puntos de la cuadrícula de entrenamiento, demostrando que aprendió una representación espacial continua en lugar de memorizar puntos discretos.
AES en Hardware (STM32F4):
- Éxito Híbrido: El enfoque híbrido NN+CPA recuperó con éxito la clave completa en el conjunto de datos HW-AES-H2 (742k trazas) donde el CPA estándar falló.
- Robustez: El modelo híbrido entrenado en un chip/habitación atacó con éxito una configuración diferente de chip/habitación.
Conjuntos de Datos Públicos: El enfoque multi-lugar mejoró la detección de fugas en los conjuntos de datos SL-XM y SL-STM en comparación con el entrenamiento de un solo punto, aunque los resultados variaron según la arquitectura específica del chip.

5. Significado e Implicaciones

Reproducibilidad: Este trabajo aborda un cuello de botella importante en la investigación SCA. Sugiere que el reposicionamiento manual preciso, con chips descapsados, no es estrictamente necesario para ataques exitosos si se utiliza el entrenamiento multi-lugar.
Estándares de Evaluación: Cuestiona la suposición de "caja negra" en las evaluaciones de seguridad. Los evaluadores ya no pueden confiar en una única posición "perfecta" de la sonda para reclamar seguridad; deben considerar que los atacantes pueden entrenar en múltiples posiciones para encontrar fugas en un área más grande.
Eficiencia de Desarrollo: Los fabricantes pueden reutilizar los datos capturados durante las búsquedas iniciales de puntos calientes para el perfilado, en lugar de descartarlos si la configuración cambia más tarde.
Direcciones Futuras: El artículo sugiere que el perfilado futuro podría utilizar sondas manuales con un ligero reposicionamiento durante la captura para lograr una resiliencia similar, eliminando la necesidad de mesas de posicionamiento 3D precisas y costosas.

En resumen, el artículo demuestra que el Aprendizaje Profundo, cuando se entrena con datos espaciales diversos, puede superar las limitaciones físicas del posicionamiento de sondas EM, haciendo que los ataques de canales laterales perfilados sean significativamente más portátiles y peligrosos en escenarios del mundo real.