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

技術概要：TriSweep – 電磁波サイドチャネル分析のための 4 機ドローン群フレームワーク

問題定義
電磁波（EM）サイドチャネル分析（SCA）は、従来、敵対者がターゲットデバイスからミリメートルからセンチメートルの距離にプローブを配置するという脅威モデルに依存している。この前提により、ロックされたパネルや筐体などの物理的セキュリティ対策は有効となる。しかし、市販の汎用無人航空機（UAV）と低コストのソフトウェア定義無線（SDR）ハードウェアの普及は、このモデルに挑戦している。敵対者が 0.25〜1.5 メートルの standoff 距離でドローンをホバリングできる場合、直接アクセスなしで距離に基づく物理的セキュリティを回避できる。さらに、現代の組み込み実装では、中間値をランダム化するために一次マスキング方式を採用することが多く、鍵を復元するには二次分析が必要となる。従来の二次攻撃は、単一のトレースからマスキングの読み込みやマスキングされた計算などの漏洩イベントをアルゴリズム的に分離する必要があり、このプロセスはタイミングのジッターやノイズに敏感である。本論文は、マルチドローン群がこれらの漏洩イベントを空間的に分離し、アルゴリズム的な前処理なしに物理的にマスクを相殺し得ると仮説立てている。

手法
TriSweep は、自律的な standoff 電磁波サイドチャネル分析のための 4 機ドローン群アーキテクチャを評価するように設計されたシミュレーションフレームワークである。このシステムは、実機ハードウェアを使用せず、代わりに実在の公開 ANSSI ASCAD 電磁波データセット（ATmega8515 マスキング済み AES-128）と、物理ベースの自由空間経路損失ノイズモデルを組み合わせる。

フレームワークは、4 つの異なるドローン役割から構成される：

1. ドローン A（アンカー）： 基準距離（$D_{ref} = 0.25$ m）でホバリングし、クロック基準と全スペクトル電磁波収集を提供する。
2. ドローン B（マスクプローブ）： マスクレジスタの読み込み漏洩ウィンドウを捕捉することに特化している。
3. ドローン C（暗号プローブ）： マスキングされた SubBytes 出力漏洩ウィンドウを捕捉することに特化している。
4. ドローン D（アキュムレータ）： 他の 3 機のドローンから同期された IQ トレースを受信する静止ユニットである。

攻撃パイプラインは、7 つのアルゴリズムに依存する：

• 通信とターゲティング： 50 Hz のハートビートプロトコルが、到達時間差（TDOA）によるキャプチャトリガーの調整とターゲットの局所化を調整する。
• 群の再配置： ドローン B と C は、分散フィッシャー情報量を最大化するために、200 ms ごとに自律的に再配置される。
• クロック同期： 2 段階プロトコル（GPSDO による粗いアライメントに続き、1 kHz パイロットトーンによる相互相関）により、ドローン間のジッターを 10 ns 未満に達成し、コヒーレント結合を可能にする。
• コヒーレント結合： ドローン D は、同期されたトレースの最大比結合（MRC）を実行し、理論上の 4.8 dB の SNR 改善（$10 \log_{10}(3)$）をもたらす。
• 二次マスキング相殺： ドローン D は、ドローン B とドローン C のトレースの中心化積を計算する（$X_{SO} = (T_B - \bar{T}_B) \cdot (T_C - \bar{T}_C)$）。この物理的な空間的分離により、マスク値 $r$ を知らなくてもマスク $r$ が相殺される。
• 鍵ランク集積： システムは、一次トレース、二次積、およびオプションの 2 チャンネル畳み込みニューラルネットワーク（CNN）からの対数尤度を集約する。

主要な貢献

1. 4 機ドローンアーキテクチャ： 漏洩源を専用の収集ドローン（アンカー、マスクプローブ、暗号プローブ）と中央アキュムレータに分離する新規設計。
2. 物理的二次相殺： 単一トレースの純粋なアルゴリズム的分離ではなく、空間分解とコヒーレント結合を通じて二次マスキング相殺を達成する、初めて提案されたフレームワーク。
3. 群の合意と同期： 空中プラットフォーム向けに調整された、分散フィッシャー情報量最大化と 10 ns 未満のクロック同期のためのプロトコル。
4. プロファイリングトレースのアライメント： ドローンのホバリング振動（100 サンプルのジッターとしてシミュレート）を補償する相互相関アライメント手法により、非同期データセットにおける鍵ランクを大幅に低減。
5. シミュレーションフレームワーク： 実在の ASCAD データセットと較正されたノイズモデルを使用した検証済みのシミュレーション環境により、実機製造前に物理システムの性能を予測。

結果
3 つの実在 ASCAD データセット（一次マスキング済み、50 サンプル非同期、100 サンプル非同期）に対して評価したところ、シミュレーションは以下の結果をもたらした：

• 鍵ランクの改善： 0.25 m における一次マスキング済みデータセットにおいて、4 機ドローンシステムはシミュレートされた鍵ランク 18 ± 1.7（5 種子検証）を達成し、単一ドローン基準のランク 197 に対して 10 倍の改善を示した。
• SNR 改善： 3 つの収集器のコヒーレント結合により、理論予測と一致する 4.8 dB の SNR 改善が得られた。
• ジッター補償： プロファイリングトレースの相互相関アライメントにより、100 サンプルジッターデータセットにおける鍵ランクは、単一ドローン・非アライメント状態の 89 から 21 に低減された。
• CNN の性能： アキュムレータ内の 2 チャンネル CNN は、損失 0.454（ランダム基準 5.545 に対して）に収束し、非同期データセットにおけるランクを改善したが、手動の二次積と比較してクリーンなマスキングデータでは過学習した。
• 距離感度： 一次データセットにおいて、システムは 0.25 m で鍵ランク 20、1.5 m で鍵ランク 25 を維持し、二次結合がより大きな standoff 距離における SNR 損失を補償することを示した。

意義と主張
本論文は、TriSweep が、空中移動性、マルチ受信機コヒーレント利得、および自律的再配置を組み合わせることで、 standoff 距離においてマスキングされた暗号実装を打ち負かす「質的に新しい脅威ベクトル」を確立すると主張している。主な意義は、漏洩イベントの物理的空間分解にあり、これによりアルゴリズム的な前処理やマスク値の知識なしにマスクを相殺できる点にある。

著者は明示的に、物理ハードウェアは製造されていないと述べており、すべての結果は実在データセットとノイズモデルを使用したシミュレーションから導き出されたものである。したがって、本論文は TriSweep を設計仕様と定量的予測ツールとして位置づけている。著者は、物理的展開が、プロペラ電磁干渉（EMI）や振動誘起位相ノイズなど、モデル化されていない課題に直面し、シミュレートされた SNR を劣化させる可能性があることを認めている。直近の次のステップとして特定されているのは、フレームワークの予測を検証し、シミュレーションと現実のギャップを定量化するために、物理プロトタイプの構築と飛行を行うことである。