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

기술 요약: TriSweep – 전자기 측면 채널 분석을 위한 4 대 드론 스웜 프레임워크

문제 제기
전자기 (EM) 측면 채널 분석 (SCA) 은 전통적으로 적대자가 목표 장치로부터 밀리미터에서 센티미터 거리에 프로브를 배치한다는 위협 모델에 의존합니다. 이 가정은 잠긴 패널과 외함 같은 물리적 보안 조치를 효과적으로 만듭니다. 그러나 상용 오프더셸 (COTS) 무인 항공기 (UAV) 와 저가형 소프트웨어 정의 라디오 (SDR) 하드웨어의 확산은 이러한 모델을 도전합니다. 0.25~1.5 미터의 거리에서 드론을 공중 정지시킬 수 있는 적대자는 직접적인 접근 없이 거리 기반 물리적 보안을 우회할 수 있습니다. 또한, 현대의 임베디드 구현은 중간 값을 무작위화하기 위해 1 차 마스킹 기법을 자주 사용하므로, 키를 복구하려면 2 차 분석이 필요합니다. 전통적인 2 차 공격은 단일 트레이스에서 마스킹 로딩과 마스킹된 계산과 같은 누출 사건들을 알고리즘적으로 분리해야 하는데, 이 과정은 타이밍 지터와 잡음에 민감합니다. 본 논문은 다중 드론 스웜이 이러한 누출 사건들을 공간적으로 분리하여 알고리즘적 전처리 없이 물리적으로 마스크를 상쇄할 수 있다고 주장합니다.

방법론
TriSweep 는 자율적인 거리 EM-SCA 를 위한 4 대 드론 스웜 아키텍처를 평가하도록 설계된 시뮬레이션 프레임워크입니다. 이 시스템은 가짜 하드웨어를 사용하지 않으며, 대신 실제 공개된 ANSSI ASCAD EM 데이터셋 (ATmega8515 마스킹된 AES-128) 과 물리 기반의 자유 공간 경로 손실 잡음 모델을 결합합니다.

프레임워크는 네 가지 고유한 드론 역할로 구성됩니다:

1. 드론 A (앵커): 기준 거리 ($D_{ref} = 0.25$ m) 에서 공중 정지하여 클록 기준과 전체 스펙트럼 EM 수집을 제공합니다.
2. 드론 B (마스킹 프로브): 마스킹 레지스터 로딩 누출 창을 포착하도록 특화되었습니다.
3. 드론 C (암호 프로브): 마스킹된 SubBytes 출력 누출 창을 포착하도록 특화되었습니다.
4. 드론 D (누적기): 나머지 세 대의 드론으로부터 동기화된 IQ 트레이스를 수신하는 정지형 유닛입니다.

공격 파이프라인은 다음 일곱 가지 알고리즘에 의존합니다:

• 통신 및 타겟팅: 50 Hz 하트비트 프로토콜이 포착 트리거를 조정하고 시간 차 도달 (TDOA) 을 통해 타겟 위치를 파악합니다.
• 스웜 재배치: 드론 B 와 C 는 분산된 피셔 정보 (Fisher information) 를 극대화하기 위해 200 ms 마다 자율적으로 재배치됩니다.
• 클록 동기화: GPSDO 의 대략적 정렬을 followed by 1 kHz 파일럿 톤 교차 상관관계를 사용하는 2 단계 프로토콜은 드론 간 지터를 10 ns 미만으로 달성하여 일관된 결합을 가능하게 합니다.
• 일관된 결합: 드론 D 는 동기화된 트레이스에 대해 최대 비율 결합 (MRC) 을 수행하여 이론적으로 4.8 dB 의 SNR 이득 ($10 \log_{10}(3)$) 을 얻습니다.
• 2 차 마스킹 상쇄: 드론 D 는 드론 B 와 드론 C 의 트레이스로부터 중심화된 곱을 계산합니다 ($X_{SO} = (T_B - \bar{T}_B) \cdot (T_C - \bar{T}_C)$). 이 물리적 공간 분리는 마스킹 값 $r$을 알지 못하더라도 마스킹 $r$이 상쇄되도록 합니다.
• 키 순위 누적: 시스템은 1 차 트레이스, 2 차 곱, 그리고 선택적 2 채널 합성 신경망 (CNN) 으로부터 로그 가능도를 집계합니다.

주요 기여

1. 4 대 드론 아키텍처: 앵커, 마스킹 프로브, 암호 프로브와 같은 전용 수집 드론과 중앙 누적기를 통해 누출 소스를 분리하는 새로운 설계.
2. 물리적 2 차 상쇄: 단일 트레이스의 순전히 알고리즘적 분리가 아닌, 공간 분해와 일관된 결합을 통해 2 차 마스킹 상쇄를 달성하는 최초의 제안된 프레임워크.
3. 스웜 합의 및 동기화: 항공 플랫폼에 맞춘 분산 피셔 정보 극대화 및 10 ns 미만의 클록 동기화를 위한 프로토콜.
4. 프로파일링 - 트레이스 정렬: 드론 공중 정지 진동 (100 샘플 지터로 시뮬레이션됨) 을 보상하는 교차 상관관계 정렬 방법으로, 비동기화 데이터셋에서 키 순위를 크게 감소시킵니다.
5. 시뮬레이션 프레임워크: 제작 전에 물리 시스템의 성능을 예측하기 위해 실제 ASCAD 데이터셋과 보정된 잡음 모델을 사용하는 검증된 시뮬레이션 환경.

결과
세 가지 실제 ASCAD 데이터셋 (주 마스킹, 50 샘플 비동기, 100 샘플 비동기) 에 대해 평가한 결과, 시뮬레이션은 다음과 같은 결과를 도출했습니다:

• 키 순위 개선: 0.25 m 의 주 마스킹 데이터셋에서 4 대 드론 시스템은 5 회 시드 검증으로 18 ± 1.7의 시뮬레이션 키 순위를 달성했으며, 이는 단일 드론 기준 순위인 197 대비 10 배 개선된 것입니다.
• SNR 이득: 세 개의 수집기에 대한 일관된 결합은 이론적 예측과 일치하는 4.8 dB 의 SNR 이득을 제공했습니다.
• 지터 보상: 프로파일링 - 트레이스 교차 상관관계 정렬은 100 샘플 지터 데이터셋에서 키 순위를 단일 드론 (비정렬) 의 89 에서 21 로 감소시켰습니다.
• CNN 성능: 누적기의 2 채널 CNN 은 0.454 의 손실 (무작위 기준 5.545 대비) 로 수렴하여 비동기화 데이터셋에서 순위를 개선했으나, 수동 2 차 곱에 비해 깨끗한 마스킹 데이터에서는 과적합되었습니다.
• 거리 민감도: 시스템은 주 데이터셋에서 0.25 m 에서 키 순위 20 을, 1.5 m 에서 25 를 유지하여 2 차 결합이 더 큰 거리에서의 SNR 손실을 보상함을 보여주었습니다.

의의 및 주장
본 논문은 TriSweep 이 공중 이동성, 다중 수신기 일관성 이득, 그리고 자율 재배치를 결합하여 거리에서 마스킹된 암호 구현을 무력화함으로써 "질적으로 새로운 위협 벡터"를 확립한다고 주장합니다. 주요 의의는 마스킹 값에 대한 알고리즘적 전처리나 지식 없이 마스킹 상쇄를 가능하게 하는 누출 사건의 물리적 공간 분해에 있습니다.

저자들은 물리적 하드웨어가 제작되지 않았으며, 모든 결과가 실제 데이터셋과 잡음 모델을 사용한 시뮬레이션에서 도출되었다고 명시합니다. 따라서 본 논문은 TriSweep 을 설계 사양 및 정량적 예측 도구로 위치시킵니다. 저자들은 물리적 배포가 프로펠러 전자기 간섭 (EMI) 및 진동으로 인한 위상 잡음과 같이 모델링되지 않은 도전에 직면할 수 있으며, 이는 시뮬레이션된 SNR 을 저하시킬 수 있음을 인정합니다. 즉각적인 다음 단계는 프레임워크의 예측을 검증하고 시뮬레이션과 현실 간의 격차를 정량화하기 위해 물리적 프로토타입을 구축하고 비행하는 것입니다.