마이크로칩 (컴퓨터 칩) 내부에서 일어나는 아주 조용한 대화를 듣는다고 상상해 보세요. 그 소리를 듣기 위해서는 전자기 탐침 (전자기 프로브) 이라는 초고감도 마이크를 벽의 특정 지점에 매우 가까이 대야 합니다.
문제: "완벽한 지점"의 함정 과거에 칩이 처리하는 비밀 코드를 도청하려면, 그 "대화"가 가장 크게 들리는 칩 위의 단 하나의 "완벽한 지점"을 찾아야 했습니다. 그 지점을 찾은 후에는 마이크를 정확히 어디에 댔는지 기억해 두어야 했습니다.
문제는 무엇일까요? 다른 칩 (심지어 다른 공장에서 나온 동일한 모델이라도) 을 들어보려고 한다면, 그 똑같은 지점을 다시 찾아야 합니다. 만약 1 밀리미터의 아주 작은 오차라도 발생하면 신호는 사라지고 도청 시도는 실패하게 됩니다. 이는 요리를 맛보며 레시피를 베끼려는 것과 같지만, 숟가락을 왼쪽으로 1 밀리미터만 움직여도 맛이 완전히 달라지는 상황과 같습니다. 이로 인해 보안 연구의 재현성을 입증하거나 개발 과정에서 칩을 효율적으로 테스트하는 것이 매우 어려웠습니다.
해결책: "합창" 접근법 이 논문은 새로운 청취 방식을 제시합니다. 단 하나의 "완벽한 지점"을 찾으려 하는 대신, 연구자들은 신경망 (컴퓨터 뇌) 을 훈련시켜 칩을 동시에 여러 다른 지점에서 듣도록 했습니다.
다음과 같이 생각해 보세요:
옛 방식: 학생에게 특정 방의 특정 피아노에서 연주된 노래만 인식하도록 훈련시킵니다. 다른 피아노나 다른 방에서 노래가 들리면 학생은 그것을 인식하지 못합니다.
새 방식: 학생에게 방 안의 열 가지 다른 각도에서 연주되는 노래를 듣도록 훈련시킵니다. 이제 음악이 약간 다른 각도에서 나오거나 아예 다른 방에서 들려오더라도, 학생은 정확한 위치가 아니라 소리의 "형태"를 배웠기 때문에 여전히 선율을 알아들을 수 있습니다.
실제 수행 내용 연구자들은 이를 단순히 시뮬레이션한 것이 아니라, 대규모 협업을 통해 현실 세계에서 구현했습니다:
두 개의 실험실, 두 개의 국가: 독일 뮌헨의 한 팀과 스위스 취리히의 다른 팀이 서로의 실험실을 방문하지 않은 채 협력했습니다. 서로 다른 장비와 서로 다른 칩을 사용했습니다.
그리드 (Grid): 그들은 단 하나의 지점만 선택하지 않았습니다. 대신 체스판처럼 칩 위를 그리드 패턴으로 이동하며 수십 개의 서로 다른 위치에서 데이터를 수집했습니다.
훈련: 그들은 이 모든 서로 다른 "각도"의 데이터를 단일 AI 모델에 입력했습니다. 이 모델은 탐침의 위치에 따른 노이즈를 무시하고 칩에서 새어 나오는 실제 비밀 정보에 집중하도록 학습되었습니다.
결과
이식성: 취리히에서 훈련된 모델이 뮌헨에서 측정된 칩의 비밀을 성공적으로 "해독"할 수 있었고, 그 반대도 마찬가지였습니다. 이는 정확히 같은 실험실과 정확히 같은 장비가 없어도 코드를 뚫을 수 있음을 입증한 것으로, 매우 중요한 성과입니다.
회복탄력성: 탐침을 약간 움직였을 때 (인간의 실수나 다른 설정을 시뮬레이션) 도 모델은 여전히 작동했습니다. "지터 (jitter)"에 대해 견고했습니다.
하이브리드 트릭: 해독하기 매우 어려운 하드웨어 버전의 코드의 경우, AI 만으로는 해독할 수 없었습니다. 그래서 그들은 "하이브리드" 팀을 만들었습니다: AI 가 신호 증폭기 (볼륨 조절 노브) 역할을 하여 약한 신호를 증폭시켜 전통적인 수학 도구가 마침내 비밀을 들을 수 있게 했습니다.
결론 이 논문은 여러 다른 탐침 위치의 데이터로 훈련함으로써 훨씬 더 유연하고 신뢰할 수 있는 보안 테스트를 구축할 수 있다고 주장합니다. 장비를 약간만 움직였다고 해서 이전 데이터를 모두 폐기할 필요가 더 이상 없습니다. "합창"과 같은 데이터 포인트들을 활용하여 비밀을 찾아낼 수 있으므로, 서로 다른 실험실과 설정 간에 사이드채널 공격의 이식성과 재현성을 높일 수 있습니다.
"Probe Position 변화에 강건한 프로파일링" 논문에 대한 상세한 기술 요약입니다.
1. 문제 제기
전자기파 (EM) 방출을 활용한 사이드 채널 분석 (SCA) 은 암호화 장치에서 비밀 키를 추출하는 강력한 방법입니다. 그러나 프로파일링 공격(공격자가 클론 장치에서 모델을 학습시키는 경우) 은 이식성의 심각한 부재로 고통받고 있습니다.
과제: 특정 EM 프로브 위치에서 학습된 프로파일링 모델은 타겟 장치에서 프로브가 조금만 이동하거나, 물리적 구성이 다른 다른 장치에서 공격이 수행될 경우 종종 실패합니다.
현재의 한계: 기존 연구는 "핫스팟 찾기"(최적 위치 파악) 또는 경미한 정렬 오류를 수정하기 위한 트레이스 증강에 초점을 맞추고 있습니다. 정밀한 상대적 위치 결정 (종종 칩의 캡 제거와 수동 재배치가 필요함) 이 거의 공개되거나 재현되지 않기 때문에 연구 재현이 어렵습니다.
간극: 동일한 물리적 구성이나 캡 제거 없이도 프로브 위치 (x, y, z 좌표) 의 변화와 장치 간 변이에 강건한 프로파일링 방법이 필요합니다.
2. 방법론
저자들은 Deep Learning과 새로운 하이브리드 공격 기법과 결합된 Multi-Place Training(다중 위치 학습) 전략을 제안합니다.
A. 데이터 수집 및 데이터셋
이 연구는 Google Zurich와 Technical University of Munich(Fraunhofer AISEC) 간의 독특한 기관 간 협력을 활용합니다.
하드웨어: 커패시터 제거 (전력 누출 증가로 인해 EM 누출을 더 어렵게 만듦) 가 된 시중의 ChipWhisperer 보드 (STM32F3 및 STM32F4).
프로브: 직경 250µm 및 500µm 의 다양한 EM 프로브 (Langer HH 250-75, Riscure 0.5mm 코일).
그리드: 누출 소원 주변의 위치 그리드 (예: 11x11, 5x5, 101x101 그리드) 에서 다양한 스텝 크기 (0.05mm~2.3mm) 로 트레이스를 캡처했습니다.
시나리오:
SW-AES: STM32F3 의 소프트웨어 AES. 서로 다른 오실로스코프와 구성을 가진 두 개의 다른 실험실 (뮌헨과 취리히) 에서 캡처되었습니다.
HW-AES: STM32F4 의 하드웨어 가속 AES. 취리히의 두 개의 다른 방에서 서로 다른 구성으로 캡처되었으며, 프로브만 공유되었습니다.