A Non-Line-of-Sight, Multi-Modality-based Side-Channel IP Theft Attack on Additive Manufacturing Using Dual Smartphones

Resumen Técnico: Ataque de Robo de Propiedad Intelectual mediante Canales Laterales Basado en Multimodalidad y Sin Línea de Visión contra la Fabricación Aditiva utilizando Smartphones Duales

Planteamiento del Problema
La Fabricación Aditiva (AM), o impresión 3D, ha revolucionado sectores como el aeroespacial, el sanitario y el automotriz al permitir el prototipado rápido y la producción bajo demanda. Sin embargo, esta adopción generalizada introduce riesgos significativos para la Propiedad Intelectual (IP). El proceso de impresión genera emisiones accidentales de canales laterales —específicamente señales acústicas y magnéticas— que se correlacionan con las instrucciones G-code subyacentes. Si bien investigaciones previas han demostrado la viabilidad de reconstruir el G-code a partir de estas emisiones, los estudios existentes enfrentan tres limitaciones críticas:

1. Bajas Tasas de Éxito: Los intentos previos suelen tener dificultades para lograr una alta precisión en la reconstrucción de los comandos finales de G-code.
2. Alcance Limitado: Los ataques suelen requerir una colocación de corto alcance (menos de 30 cm) y línea de visión directa (LOS).
3. Equipo Especializado: Muchos enfoques dependen de herramientas de recolección de datos especializadas y evidentes en lugar de dispositivos de consumo masivo.
   Además, las evaluaciones previas suelen asumir comportamientos operativos simplificados (ignorando ciclos de inactividad o enfriamiento) y entornos de laboratorio controlados con un mínimo de ruido ambiental, lo que no refleja los entornos de fabricación reales donde la oclusión, la actividad simultánea de máquinas y el ruido ambiental son prevalentes.

Metodología
Este artículo propone un ataque práctico, no invasivo, utilizando dos smartphones de consumo para reconstruir el G-code de una impresora 3D sin contacto físico ni línea de visión.

• Modelo de Amenaza: El atacante posee conocimiento general del modelo de la impresora (Fused Deposition Modeling) pero no tiene acceso al firmware, la telemetría interna o los archivos de diseño originales. El atacante despliega dos smartphones ocultos equipados con micrófonos y magnetómetros a una distancia sin línea de visión (non-LOS) de 60 cm de la superficie de la cama de la impresora, posicionados a un ángulo de 45°.
• Adquisición de Datos: El ataque captura dos modalidades de señal distintas:
  • Acústica: Generada por el movimiento mecánico y la actividad de extrusión.
  • Magnética: Generada por los controladores de los motores paso a paso y los componentes móviles.
    El ángulo de 45° fue seleccionado como un compromiso para mantener una amplitud acústica suficiente (siguiendo un modelo de proyección de coseno) mientras se maximiza la observabilidad magnética a través de la mezcla de ejes.
• Procesamiento de Señales: Dado que los dos smartphones operan de forma independiente, los flujos de datos brutos no están sincronizados. La metodología emplea un pipeline de sincronización que alinea las marcas de tiempo, interpola los valores faltantes y normaliza los datos. El vector de entrada combinado consta de ocho dimensiones (tres ejes magnéticos y un valor acústico de cada uno de los dos teléfonos).
• Modelo de Aprendizaje Automático: Los datos preprocesados se segmentan en ventanas de tiempo superpuestas y se introducen en una arquitectura híbrida CNN-LSTM.
  • Capas CNN: Extraen características espaciales y espectrales de las emisiones.
  • Capa LSTM: Captura las dependencias temporales y la secuencia de estados de la impresora (por ejemplo, moviéndose, inactiva, extrayendo).
  • Salida: El modelo clasifica las primitivas de movimiento (IDLE, UP, DOWN, LEFT, RIGHT, Z_UP, Z_DOWN) e indicadores de extrusión, que luego se agregan para reconstruir el flujo de comandos G-code.

Contribuciones Clave

1. Ataque Multimodal con Smartphone Dual: El estudio demuestra un ataque oculto utilizando dos smartphones y un marco de modelado de ruido dinámico, permitiendo la reconstrucción de G-code en entornos ruidosos, incluyendo escenarios donde una segunda impresora 3D opera simultáneamente.
2. Reconstrucción Sin Línea de Visión: El ataque tiene éxito sin contacto físico ni línea de visión (LOS), utilizando colocaciones a 60 cm de distancia de la impresora.
3. Reconstrucción de Alta Fidelidad: El método logra una precisión de reconstrucción a nivel de comando del 98.89%, produciendo un objeto impreso que coincide geométricamente con el original. El enfoque mantiene una alta precisión a distancias mayores en comparación con trabajos previos, reduciendo los errores dimensionales y de calidad superficial.
4. Validación de Robustez: La metodología fue probada en un entorno físico diferente con una unidad de impresora distinta de la misma marca, reconstruyendo con éxito objetos complejos (icono de engranaje, álabes de turbina, llave inglesa) con precisiones que oscilan entre el 98.05% y el 98.35%.
5. Guía de Mitigación: El artículo describe contramedidas prácticas, incluyendo blindaje acústico/magnético (recintos insonorizados, jaulas de Faraday), aleatorización de los parámetros de impresión (ofuscación de trayectoria, variación de velocidad) y jamming activo.

Resultados

• Experimento Principal: En el escenario principal (distancia de 60 cm, sin línea de visión, ruido concurrente de una segunda impresora), el ataque logró un 98.89% de precisión a nivel de comando. El G-code reconstruido preservó la geometría original con solo discrepancias menores en las tasas de alimentación y los valores de extrusión.
• Análisis de Interferencia: Cuando una segunda impresora (Creality) operaba simultáneamente con la objetivo (LulzBot), las señales de la objetivo se mantuvieron dominantes debido a motores más grandes y emisiones acústicas más fuertes. Las señales magnéticas de la objetivo también fueron más fuertes y consistentes debido a la colocación específica de los motores en relación con los sensores.
• Sensibilidad a la Distancia: La precisión se mantuvo alta (98–99%) a distancias de hasta 70 cm. El rendimiento se degradó significamente más allá de los 100 cm a medida que la Relación Señal-Ruido (SNR) disminuyó, con una precisión inferior al 65% a distancias superiores a 150 cm.
• Rendimiento del Modelo: El modelo híbrido CNN-LSTM alcanzó una precisión de entrenamiento del 97.99% en la clasificación de movimiento, superando a los modelos SVM, Random Forest, CNN independiente y LSTM independiente.

Significancia
El artículo afirma demostrar que los sistemas de impresión 3D poseen debilidades de seguridad significativas respecto a la fuga de canales laterales. Al probar que se pueden utilizar smartphones de consumo para acceder de forma no autorizada y reconstruir G-code de alta fidelidad desde la distancia y sin contacto físico, el estudio resalta la vulnerabilidad de los procesos de AM en entornos compartidos o públicos. Los autores enfatlı la facilidad de recolección de datos utilizando dispositivos ubicuos hace necesaria la conciencia inmediata y la implementación de contramedidas de mitigación para proteger la propiedad intelectual de la fabricación.