우리가 사용하는 IoT 기기 (스마트 시계, 센서 등) 는 배터리와 성능이 약해서 '가벼운 암호 (Lightweight Cipher)'를 사용합니다. 하지만 이 기기들은 공공장소에 많이 있어서 해커가 물리적으로 접근하기 쉽습니다.
해커들은 **"고장 공격 (Fault Attack)"**이라는 기법을 사용합니다.
비유: 마치 정교한 자물쇠를 두드리거나, 갑자기 전기를 찌릿하게 흘려보내 자물쇠 내부의 기어를 잠시 '고장' 나게 만드는 것입니다.
원리: 정상적인 상태와 고장 난 상태의 출력을 비교하면, 자물쇠의 비밀 열쇠 (비밀 키) 를 유추할 수 있습니다.
하지만 문제는 **"어디를 고장 내야 할지 모른다"**는 점입니다. 자물쇠 내부가 200~600 개나 되는 작은 부품 (비트) 으로 이루어져 있는데, 해커가 "여기를 건드리면 될까?"라고 막연히 두드리면 시간만 낭비됩니다.
🧠 2. 해결책: 인공지능 (MLP) 이 된 탐정
이 논문에서는 **인공지능 (딥러닝)**을 이 탐정 역할에 투입했습니다.
기존 방법 (지문 비교): 해커가 고장 낸 자물쇠의 결과를 보고, 미리 만들어둔 '지문 데이터베이스'와 하나하나 비교했습니다. 정확도는 좋았지만, 자물쇠가 복잡해질수록 지문이 흐릿해져서 구별하기 힘들었습니다.
새로운 방법 (AI 탐정): 해커가 고장 낸 자물쇠의 결과 (데이터) 를 인공지능에게 보여줍니다. AI 는 수많은 훈련을 통해 **"이런 패턴의 고장은 3 번 부품에서 일어났구나!"**라고 순식간에 찾아냅니다.
논문의 연구진은 ACORNv3, MORUSv2, ATOM이라는 세 가지 다른 암호 시스템을 대상으로 AI 를 훈련시켰습니다.
🎯 3. 실험 결과: AI 의 활약상
① ACORNv3 (가장 쉬운 자물쇠)
상황: AI 가 고장 난 위치를 찾는 정확도가 **99.9%**에 달했습니다. 거의 완벽하게 맞췄습니다.
결과: 기존 방법보다 훨씬 적은 횟수 (약 21~34 번) 만 고장 내도 비밀 열쇠를 모두 찾아냈습니다. 마치 AI 가 "여기, 여기, 여기!"라고 정확히 가리켜주어 해커가 열쇠를 쉽게 찾은 셈입니다.
② MORUSv2 (중간 난이도 자물쇠)
상황: 자물쇠가 더 커서 (부품이 640 개) AI 의 정확도는 99.9% 로 여전히 훌륭했지만, 열쇠를 찾기가 조금 더 어려웠습니다.
결과: 약 200 번 이상 고장 내야 했지만, 최대 6 개의 부품만 추측하면 나머지 모든 비밀을 알아낼 수 있었습니다. 기존 연구보다 훨씬 효율적이었습니다.
③ ATOM (가장 단단한 자물쇠)
상황: 이 암호는 '이중 키 필터'라는 특수한 장치를 써서 고장 패턴이 매우 불규칙합니다. 마치 자물쇠 내부가 흔들려서 AI 가 어디를 건드렸는지 파악하기 힘든 상황입니다.
결과: AI 의 정확도는 82% 로 떨어졌습니다. 하지만 기존에 아무도 시도하지 않았던 첫 번째 공격이라는 의미가 큽니다.
한계: AI 가 완벽히 못 맞추는 바람에, 해커가 "정확히 어디를 건드려야 한다"는 조건이 붙어야만 일부 비밀을 알아낼 수 있었습니다. 이는 ATOM 이 다른 암호들보다 보안이 더 튼튼하다는 뜻이기도 합니다.
🚀 4. 핵심 기여: "임계값 (Threshold)" 전략
연구진은 단순히 AI 만 쓰는 게 아니라, **"얼마나 많은 고장 데이터를 모아야 할지"**를 결정하는 **'임계값'**이라는 규칙을 만들었습니다.
비유: 자물쇠를 열기 위해 필요한 '열쇠 조각'이 100 개라고 가정할 때, 99 개만 모으면 열리지 않습니다. AI 가 고장 위치를 찾아주면, 우리는 "이제 100 개가 모였나?"를 체크하고, 모자라면 더 고장 내는 식으로 불필요한 시도를 줄였습니다.
💡 5. 결론: 무엇을 배울 수 있을까요?
AI 는 암호 해독의 새로운 무기입니다: 특히 물리적으로 장비를 조작하는 '고장 공격'에서 AI 는 전통적인 방법보다 훨씬 빠르고 정확하게 고장 위치를 찾아냅니다.
보안은 계속 발전해야 합니다: ACORN 과 MORUS 는 AI 공격에 취약한 부분이 발견되었지만, ATOM 은 여전히 튼튼한 것을 보여줍니다.
미래: 앞으로는 해커가 더 이상 정밀하게 조작하지 않아도 (무작위로 고장 내도) AI 가 암호를 뚫지 못하도록, 더 강력한 암호를 개발해야 한다는 경고를 줍니다.
한 줄 요약:
"해커가 자물쇠를 망가뜨려 열쇠를 찾는 과정에서, 인공지능이 '어디가 망가졌는지'를 눈치채게 해주어 훨씬 쉽고 빠르게 암호를 뚫는 방법을 개발했습니다. 하지만 가장 튼튼한 자물쇠 (ATOM) 는 여전히 AI 도 뚫기 힘들다는 것을 확인했습니다."
1. 연구 배경 및 문제 제기 (Problem)
배경: 사물인터넷 (IoT) 등 리소스가 제한된 환경에 널리 배포되는 경량 암호 (Lightweight Cryptography) primitives 는 물리적 공격, 특히 **결함 공격 (Fault Attacks)**에 취약합니다.
문제점:
기존 차분 결함 공격 (DFA, Differential Fault Attack) 은 주로 결함 주입 위치를 식별하기 위해 전통적인 서명 기반 (Signature-based) 방법을 사용하는데, 이는 정확도가 제한적일 수 있습니다.
특히 결함 주입 위치를 제어할 수 없는 (No-control over fault location) 환경에서의 DFA 는 여전히 탐구되지 않은 영역이 많습니다.
기존 연구들은 주로 선형 방정식만 활용하거나, 상태 복구를 위해 많은 수의 결함 주입이나 상태 비트 추측 (Guess-and-determine) 이 필요하여 공격 복잡도가 높았습니다.
딥러닝을 결함 공격에 적용한 연구는 블록 암호에 국한되어 있으며, 스트림 암호 (ACORN, MORUS, ATOM 등) 에 적용된 사례는 거의 없습니다.
2. 제안된 방법론 (Methodology)
저자들은 딥러닝 기반 차분 결함 공격 프레임워크를 제안하며, 다음과 같은 두 단계의 프로세스를 따릅니다.
가. 딥러닝을 활용한 결함 위치 식별 (Fault Location Identification)
모델: 다층 퍼셉트론 (MLP, Multilayer Perceptron) 모델을 훈련시켜 결함 주입 위치를 분류합니다.
데이터 생성:
각 암호 (ACORNv3, MORUSv2, ATOM) 에 대해 가능한 모든 결함 위치마다 1,536 개의 샘플을 생성합니다.
정상 키스트림 (Z) 과 결함 키스트림 (Z′) 을 생성한 후, 이 둘의 XOR 차이인 **차분 키스트림 (ΔZ)**을 입력 데이터로 사용합니다.
데이터셋은 훈련 (80%), 테스트 (10%), 검증 (10%) 으로 분할됩니다.
입출력: 입력 레이어는 차분 키스트림의 길이 (상태 크기의 50~60%), 출력 레이어는 내부 상태의 크기 (가능한 결함 위치 수) 입니다.
나. 임계값 기반 비밀 복구 프레임워크 (Threshold-based Secret Recovery)
방정식 생성: MLP 가 결함 위치를 정확히 식별하면, 정상/결함 키스트림 방정식을 XOR 하여 차분 방정식을 생성합니다.
임계값 (Threshold) 전략:
방정식 시스템의 해를 구하기 위해 필요한 최소 방정식 수를 '임계값 T'로 설정합니다.
수집된 선형/비선형 방정식 수가 T 미만이면 추가 결함 주입을 반복합니다.
T에 도달하면 SageMath 의 Gröbner Basis 알고리즘을 사용하여 초기 상태 (Secret State) 를 복원합니다.
해가 시간 내에 구해지지 않으면 임계값을 5 씩 증가시켜 더 많은 방정식을 추가하는 과정을 반복합니다.
특징: 기존 연구와 달리 모든 차수 (Degree) 의 방정식을 시스템에 포함시켜 추측 (Guessing) 없이 또는 최소한의 추측으로 전체 상태를 복구합니다.
3. 주요 기여 (Key Contributions)
딥러닝 기반 결함 위치 식별: ACORNv3, MORUSv2, ATOM 에 대한 MLP 모델을 훈련시켜 기존 서명 기반 방법보다 높은 정확도로 결함 위치를 식별했습니다.
최적화된 공격 프레임워크: 임계값 기반 전략을 도입하여 필요한 결함 주입 횟수를 최적화하고, 고차 방정식을 포함한 방정식 시스템을 구성하여 공격 복잡도를 낮췄습니다.
새로운 공격 결과:
ATOM 암호: 딥러닝 보조 DFA 를 적용한 최초의 실험적 결과를 제시했습니다.
MORUSv2: 기존 이론적 분석을 넘어, 위치 제어 없이 전체 초기 상태를 복구하는 첫 번째 구현을 수행했습니다.
4. 실험 결과 (Results)
암호 (Cipher)
결함 위치 식별 정확도 (MLP vs Signature)
복구된 상태 비트
필요한 결함 수
복잡도 및 특이사항
ACORNv3
99.9880% (서명 기반: 99.9747%)
전체 초기 상태 (293 비트)
21~34 개 (평균 27)
복잡도 무시 가능 (Negligible). 기존 연구 (25.40) 보다 더 적은 결함으로 전체 상태 복구 성공.
MORUSv2
99.9231% (서명 기반: 95.2606%)
전체 초기 상태 (640 비트)
213~248 개
최대 6 비트 추측 필요 (26). 위치 제어 없이 전체 상태 복구 성공 (기존 연구는 부분 복구).
ATOM
82.3568% (서명 기반: 58.8976%)
NFSR 의 대부분 상태 비트
46 개 (평균)
위치 제어 불가 모델에서는 완전 복구 실패 (이중 키 필터로 인한 보안 마진 높음). 위치 제어 가능 모델에서는 90 비트 중 74 비트 복구 성공.
ACORNv3: MLP 모델이 152 비트 차분 키스트림을 기반으로 거의 완벽한 정확도를 보였으며, 21~34 개의 결함으로 전체 초기 상태를 복구했습니다.
MORUSv2: 384 비트 키스트림을 사용하며, MLP 는 서명 기반 방법보다 월등히 높은 정확도를 보였습니다. 213~248 개의 결함으로 전체 상태를 복구했으나, 일부 경우 6 비트 이하의 추측이 필요했습니다.
ATOM: 이중 키 필터 (Double Key Filter) 와 LFSR 상태에 의존하는 cnt 변수로 인해 결함 전파 패턴이 매우 비결정적 (Non-deterministic) 이었습니다. 이로 인해 위치 제어 불가 모델에서는 완전 복구가 불가능했으나, MLP 는 여전히 서명 기반 방법 (58.89%) 보다 높은 정확도 (82.35%) 를 보였습니다. 위치를 정확히 제어할 수 있는 모델에서는 대부분의 NFSR 상태를 복구할 수 있었습니다.
5. 의의 및 결론 (Significance & Conclusion)
딥러닝의 유효성 입증: 경량 스트림 암호의 복잡한 결함 전파 패턴을 학습하여 전통적인 서명 기반 방법보다 우월한 성능을 보이는 것을 입증했습니다.
공격 효율성 향상: 추측 (Guess-and-determine) 이나 많은 수의 선형 방정식만 의존하던 기존 방식에서 벗어나, 고차 방정식과 딥러닝을 결합하여 공격 복잡도를 획기적으로 낮췄습니다.
보안성 평가:
ACORNv3 와 MORUSv2 에 대해 새로운 취약점을 발견하고 공격 시나리오를 제시했습니다.
ATOM 의 경우, 제안된 공격이 실패하거나 높은 복잡도를 요구하는 것을 통해 **이중 키 필터 설계가 강력한 보안 마진 (Security Margin)**을 제공함을 확인했습니다.
향후 연구 방향: 무작위 결함 (Random Fault) 이나 더 느슨한 제어 모델 하에서의 딥러닝 보조 공격 가능성 탐구, 그리고 오류가 있는 위치 식별 결과를 활용한 부분 상태 복구 연구 등이 제안되었습니다.
이 논문은 경량 스트림 암호에 대한 물리적 공격의 새로운 지평을 열었으며, 딥러닝이 암호 분석 (Cryptanalysis) 분야에서 강력한 도구로 자리 잡을 수 있음을 보여줍니다.