TriSweep: A Four-Drone Swarm Framework for Electromagnetic Side-Channel Analysis

Resumen Técnico: TriSweep – Un Marco de Enjambre de Cuatro Drones para el Análisis de Canales Laterales Electromagnéticos

Planteamiento del Problema
El análisis de canales laterales electromagnéticos (EM) tradicionalmente se basa en un modelo de amenaza donde un adversario coloca una sonda a distancias de milímetros a centímetros de un dispositivo objetivo. Esta suposición hace que las medidas de seguridad física, como paneles y carcasas bloqueadas, sean efectivas. Sin embargo, la proliferación de vehículos aéreos no tripulados (UAV) comerciales de uso general (COTS) y hardware de radio definido por software (SDR) de bajo costo desafía este modelo. Un adversario capaz de hacer hoverar un dron a distancias de seguridad de 0,25 a 1,5 metros puede eludir la seguridad física basada en la proximidad sin acceso directo. Además, las implementaciones embebidas modernas a menudo emplean esquemas de enmascaramiento de primer orden para aleatorizar los valores intermedios, lo que requiere un análisis de segundo orden para recuperar las claves. Los ataques de segundo orden tradicionales deben separar algorítmicamente los eventos de fuga (por ejemplo, la carga de la máscara y el cálculo enmascarado) de una sola traza, un proceso sensible a la fluctuación temporal (jitter) y al ruido. El artículo postula que un enjambre de múltiples drones podría separar espacialmente estos eventos de fuga, cancelando físicamente la máscara sin preprocesamiento algorítmico.

Metodología
TriSweep es un marco de simulación diseñado para evaluar una arquitectura de enjambre de cuatro drones para el análisis de canales laterales electromagnéticos (EM-SCA) autónomo a distancia. El sistema no utiliza hardware fabricado; en su lugar, combina conjuntos de datos EM reales y públicamente disponibles de ANSSI ASCAD (ATmega8515 con AES-128 enmascarado) con un modelo de ruido basado en pérdidas de trayectoria en espacio libre.

El marco consta de cuatro roles distintos de drones:

1. Drone A (Ancla): Vuela en hover a una distancia de referencia ($D_{ref} = 0,25$ m) para proporcionar una referencia de reloj y la recolección de espectro completo EM.
2. Drone B (Sonda de Máscara): Especializado en capturar la ventana de fuga de la carga del registro de máscara.
3. Drone C (Sonda de Cifrado): Especializado en capturar la ventana de fuga de la salida SubBytes enmascarada.
4. Drone D (Acumulador): Una unidad estacionaria que recibe trazas IQ sincronizadas de los otros tres drones.

La cadena de ataque se basa en siete algoritmos:

• Comunicación y Apuntado: Un protocolo de latido cardíaco de 50 Hz coordina los disparadores de captura y la localización del objetivo mediante la diferencia de tiempo de llegada (TDOA).
• Reposicionamiento del Enjambre: Los drones B y C se reposicionan autónomamente cada 200 ms para maximizar la información de Fisher distribuida.
• Sincronización de Reloj: Un protocolo de dos etapas (alineación gruesa con GPSDO seguido de correlación cruzada de tono piloto de 1 kHz) logra una fluctuación inter-dron inferior a 10 ns, permitiendo la combinación coherente.
• Combinación Coherente: El Drone D realiza una combinación de relación máxima (MRC) de las trazas sincronizadas, obteniendo una ganancia teórica de SNR de 4,8 dB ($10 \log_{10}(3)$).
• Cancelación Física de Segundo Orden: El Drone D calcula el producto centrado de las trazas del Drone B y el Drone C ($X_{SO} = (T_B - \bar{T}_B) \cdot (T_C - \bar{T}_C)$). Esta separación espacial física permite que la máscara $r$ se cancele sin conocer su valor.
• Acumulación de Clasificación de Clave: El sistema agrega log-verosimilitudes de trazas de primer orden, el producto de segundo orden y una red neuronal convolucional (CNN) opcional de dos canales.

Contribuciones Clave

1. Arquitectura de Cuatro Drones: Un diseño novedoso que separa las fuentes de fuga entre drones recolectores dedicados (Ancla, Sonda de Máscara, Sonda de Cifrado) y un Acumulador central.
2. Cancelación Física de Segundo Orden: El primer marco propuesto para lograr la cancelación de máscara de segundo orden mediante descomposición espacial y combinación coherente, en lugar de la separación puramente algorítmica de una sola traza.
3. Consenso y Sincronización del Enjambre: Protocolos para la maximización de la información de Fisher distribuida y la sincronización de reloj inferior a 10 ns, adaptados para plataformas aéreas.
4. Alineación de Trazas de Perfilado: Un método de alineación por correlación cruzada que compensa la vibración del hover del dron (simulada como fluctuación de 100 muestras), reduciendo significativamente la clasificación de clave en conjuntos de datos desincronizados.
5. Marco de Simulación: Un entorno de simulación validado que utiliza conjuntos de datos ASCAD reales y modelos de ruido calibrados para predecir el rendimiento de un sistema físico antes de su fabricación.

Resultados
Evaluado frente a tres conjuntos de datos ASCAD reales (enmascarado primario, desincronización de 50 muestras y desincronización de 100 muestras), la simulación arrojó lo siguiente:

• Mejora en la Clasificación de Clave: En el conjunto de datos enmascarado primario a 0,25 m, el sistema de cuatro drones logró una clasificación de clave simulada de 18 ± 1,7 (validación de cinco semillas), una mejora de diez veces sobre la clasificación de referencia de un solo dron de 197.
• Ganancia de SNR: La combinación coherente de tres recolectores proporcionó una ganancia de SNR de 4,8 dB, consistente con las predicciones teóricas.
• Compensación de Fluctuación: La alineación por correlación cruzada de trazas de perfilado redujo la clasificación de clave en el conjunto de datos con fluctuación de 100 muestras de 89 (un solo dron, no alineado) a 21.
• Rendimiento de CNN: Una CNN de dos canales en el Acumulador convergió a una pérdida de 0,454 (frente a 5,545 de la línea base aleatoria) y mejoró las clasificaciones en conjuntos de datos desincronizados, aunque mostró sobreajuste en los datos enmascarados limpios en comparación con el producto manual de segundo orden.
• Sensibilidad a la Distancia: El sistema mantuvo una clasificación de clave de 20 a 0,25 m y de 25 a 1,5 m en el conjunto de datos primario, demostrando que la combinación de segundo orden compensa la pérdida de SNR a mayores distancias de seguridad.

Significado y Afirmaciones
El artículo afirma que TriSweep establece un "vector de amenaza cualitativamente nuevo" al combinar la movilidad aérea, la ganancia coherente de múltiples receptores y el reposicionamiento autónomo para derrotar implementaciones criptográficas enmascaradas a distancias de seguridad. El significado principal radica en la descomposición espacial física de los eventos de fuga, lo que permite la cancelación de la máscara sin preprocesamiento algorítmico o conocimiento del valor de la máscara.

Los autores declaran explícitamente que no se ha fabricado ningún hardware físico; todos los resultados se derivan de una simulación que utiliza conjuntos de datos reales y un modelo de ruido. En consecuencia, el artículo posiciona a TriSweep como una especificación de diseño y una herramienta de predicción cuantitativa. Los autores reconocen que el despliegue físico enfrenta desafíos no modelados, como la interferencia electromagnética (EMI) de las hélices y el ruido de fase inducido por vibraciones, que pueden degradar la SNR simulada. El siguiente paso inmediato identificado es la construcción y el vuelo de un prototipo físico para validar las predicciones del marco y cuantificar la brecha entre la simulación y la realidad.