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

Sintesi Tecnica: Attacco di furto di proprietà intellettuale (IP) tramite canale laterale multi-modalità e non in linea di vista su manifattura additiva utilizzando due smartphone

Problematica
La manifattura additiva (AM), o stampa 3D, ha rivoluzionato settori quali l'aerospazio, l'assistenza sanitaria e l'automotive, consentendo la prototipazione rapida e la produzione on-demand. Tuttavia, questa ampia adozione introduce significativi rischi per la proprietà intellettuale (IP). Il processo di stampa genera emissioni involontarie da canale laterale — nello specifico segnali acustici e magnetici — che sono correlate alle istruzioni G-code sottostanti. Sebbene ricerche precedenti abbiano dimostrato la fattibilità della ricostruzione del G-code da tali emissioni, gli studi esistenti affrontano tre criticità fondamentali:

1. Bassi tassi di successo: I tentativi precedenti spesso faticano a ottenere un'elevata precisione nella ricostruzione dei comandi G-code finali.
2. Portata limitata: Gli attacchi richiedono tipicamente un posizionamento a breve distanza (meno di 30 cm) e una linea di vista diretta (LOS).
3. Attrezzature specializzate: Molti approcci si affidano a strumenti di raccolta dati espliciti e specializzati anziché a dispositivi comuni.
   Inoltre, le valutazioni precedenti spesso assumono comportamenti operativi semplificati (ignorando i cicli di inattività o di raffreddamento) e ambienti di laboratorio controllati con rumore di fondo minimo, il che non riflette le reali impostazioni di produzione dove sono presenti occlusioni, attività simultanee di macchine e rumore ambientale.

Metodologia
Questo articolo propone un attacco pratico, non invasivo, tramite canale laterale utilizzando due smartphone commerciali per ricostruire il G-code da una stampante 3D senza contatto fisico o linea di vista.

• Modello di minaccia: L'attaccante possiede una conoscenza generale del modello di stampante (Fused Deposition Modeling) ma non ha accesso al firmware, alla telemetria interna o ai file di progettazione originali. L'attaccante impiega due smartphone nascosti dotati di microfoni e magnetometri a una distanza non in linea di vista (non-LOS) di 60 cm dal piano letto della stampante, posizionati con un angolo di 45°.
• Acquisizione dei dati: L'attacco cattura due diverse modalità di segnale:
  • Acustica: Generata dal movimento meccanico e dall'attività di estrusione.
  • Magnetica: Generata dai driver dei motori passo-passo e dai componenti in movimento.
    L'angolo di 45° è stato selezionato come compromesso per mantenere un'ampiezza acustica sufficiente (seguendo un modello di proiezione del coseno) massimizzando al contempo l'osservabilità magnetica attraverso il mixing degli assi.
• Elaborazione del segnale: Poiché i due smartphone operano indipendentemente, i flussi di dati grezzi non sono sincronizzati. La metodologia impiega una pipeline di sincronizzazione che allinea i timestamp, interpola i valori mancanti e normalizza i dati. Il vettore di input combinato consiste in otto dimensioni (tre assi magnetici e un valore acustico da ciascuno dei due telefoni).
• Modello di Machine Learning: I dati preelaborati vengono segmentati in finestre temporali sovrapposte e inseriti in un'architettura ibrida CNN-LSTM.
  • Livelli CNN: Estraggono caratteristiche spaziali e spettrali dalle emissioni.
  • Livello LSTM: Cattura le dipendenze temporali e la sequenza degli stati della stampante (es. movimento, inattività, estrusione).
  • Output: Il modello classifica le primitive di movimento (IDLE, UP, DOWN, LEFT, RIGHT, Z_UP, Z_DOWN) e gli indicatori di estrusione, che vengono poi aggregati per ricostruire il flusso di comandi G-code.

Contributi Chiave

1. Attacco multi-modale con doppio smartphone: Lo studio dimostra un attacco occulto utilizzando due smartphone e un framework di modellazione dinamica del rumore, consentendo la ricostruzione del G-code in ambienti rumorosi, inclusi scenari in cui opera contemporaneamente una seconda stampante 3D.
2. Ricostruzione non in linea di vista: L'attacco ha successo senza contatto fisico o linea di vista, utilizzando posizionamenti a 60 cm dalla stampante.
3. Ricostruzione ad alta fedeltà: Il metodo raggiunge un'accuratezza di ricostruzione a livello di comando del 98,89%, producendo un oggetto stampato che corrisponde geometricamente all'originale. L'approccio mantiene un'elevata accuratezza a distanze maggiori rispetto ai lavori precedenti, riducendo gli errori dimensionali e di qualità superficiale.
4. Validazione della robustezza: La metodologia è stata testata in un ambiente fisico diverso con un'altra unità di stampa dello stesso marchio, ricostruendo con successo oggetti complessi (icona a ingranaggio, pale di turbina, chiave inglese) con accuratezze comprese tra il 98,05% e il 98,35%.
5. Guida alla mitigazione: Il documento delinea contromisure pratiche, tra cui la schermatura acustica/magnetica (contenitori insonorizzati, gabbie di Faraday), la randomizzazione dei parametri di stampa (offuscamento del percorso, variazione di velocità) e il jamming attivo.

Risultati

• Esperimento primario: Nello scenario principale (distanza di 60 cm, non-LOS, rumore concomitante da una seconda stampante), l'attacco ha raggiunto un'accuratezza a livello di comando del 98,89%. Il G-code ricostruito ha preservato la geometria originale con solo lievi discrepanze nei tassi di avanzamento e nei valori di estrusione.
• Analisi delle interferenze: Quando una seconda stampante (Creality) operava simultaneamente con il bersaglio (LulzBot), i segnali del bersaglio rimanevano dominanti grazie ai motori più grandi e alle emissioni acustiche più rumorose. Anche i segnali magnetici del bersaglio erano più forti e costanti grazie al posizionamento specifico dei motori rispetto ai sensori.
• Sensibilità alla distanza: L'accuratezza è rimasta elevata (98–99%) fino a distanze di 70 cm. Le prestazioni sono degradate significativamente oltre i 100 cm, poiché il rapporto segnale-rumore (SNR) è diminuito, con l'accuratezza che è scesa sotto il 65% a distanze superiori a 150 cm.
• Prestazioni del modello: Il modello ibrido CNN-LSTM ha raggiunto un'accuratezza di addestramento del 97,99% sulla classificazione del movimento, superando i modelli SVM, Random Forest, CNN standalone e LSTM standalone.

Significatività
Il documento sostiene che i sistemi di stampa 3D possiedano significative vulnerabilità relative alla fuga di canali laterali. Dimostrando che gli smartphone comuni possono essere utilizzati per accedere in modo non autorizzato e ricostruire G-code ad alta fedeltà da una certa distanza senza contatto fisico, lo studio evidenzia la vulnerabilità dei processi di AM in ambienti condivisi o pubblici. Gli autori sottolineano che la facilità di raccolta dei dati tramite dispositivi ubiquitari rende necessaria una consapevolezza immediata e l'implementazione di contromisure di mitigazione per proteggere la proprietà intellettuale della manifattura.