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

기술 요약: 두 대의 스마트폰을 이용한 적층 제조의 비가시선(Non-Line-of-Sight), 다중 모달리티 기반 사이드 채널 IP 탈취 공격

문제 정의
적층 제조(AM), 즉 3D 프린팅은 항공우주, 의료, 자동차 분야에서 신속한 프로토타이핑과 온디맨드 생산을 가능하게 함으로써 혁신을 일으켰습니다. 그러나 이러한 광범위한 도입은 중요한 지식 재산(IP) 위험을 초래합니다. 프린팅 과정은 의도하지 않은 사이드 채널 방출물, 구체적으로는 기저의 G-코드 명령과 상관관계를 갖는 음향 및 자기 신호를 생성합니다. 기존 연구들은 이러한 방출물로부터 G-코드를 재구성하는 타당성을 입증해 왔으나, 기존 연구들은 세 가지 결정적인 한계점을 가집니다:

1. 낮은 성공률: 이전의 시도들은 종종 최종 G-코드 명령을 재구성하는 데 있어 높은 정확도를 확보하는 데 어려움을 겪었습니다.
2. 제한된 거리: 공격 방식은 일반적으로 근거리 배치(30cm 미만)와 가시선(LOS)을 요구합니다.
3. 특수 장비 의존: 많은 접근 방식이 일반적인 기기가 아닌, 눈에 띄는 특수 데이터 수집 도구에 의존합니다.
   또한, 기존의 평가는 단순화된 운영 동작(유휴 주기 또는 냉각 과정을 무시함)과 통제된 실험실 환경을 가정하는 경우가 많으며, 이는 차폐(occlusion), 동시 기기 작동, 주변 소음이 존재하는 실제 제조 환경을 반영하지 못합니다.

방법론
본 논문은 두 대의 범용 스마트폰을 활용하여 물리적 접촉이나 가시선 없이 3D 프린터로부터 G-코드를 재구성하는 실용적인 비침습적 사이드 채널 공격을 제안합니다.

• 위협 모델: 공격자는 프린터 모델(FDM 방식)에 대한 일반적인 지식을 보유하고 있으나, 펌웨어, 내부 텔레메트리 또는 원본 설계 파일에는 접근할 수 없습니다. 공격자는 마이크와 자기계를 갖춘 두 대의 숨겨진 스마트폰을 프린터 베드 표면으로부터 60cm 떨어진 비가시선(non-LOS) 위치에 45° 각도로 배치합니다.
• 데이터 획득: 공격은 두 가지 뚜렷한 신호 모달리티를 포착합니다:
  • 음향(Acoustic): 기계적 움직임과 압출 활동에 의해 생성됩니다.
  • 자기(Magnetic): 스테퍼 모터 드라이버와 이동 부품에 의해 생성됩니다.
    45° 각도는 코사인 투영 모델(cosine projection model)을 따라 충분한 음향 진폭을 유지하면서도 축 혼합(axis mixing)을 통한 자기 관측성을 극대화하기 위해 선택되었습니다.
• 신호 처리: 두 대의 스마트폰이 독립적으로 작동하므로, 원시 데이터 스트림은 동기화되지 않은 상태입니다. 방법론은 타임스탬프를 정렬하고, 누락된 값을 보간하며, 데이터를 정규화하는 동기화 파이프라인을 사용합니다. 결합된 입력 벡터는 두 대의 휴대폰으로부터 추출된 8차원(3개의 자기 축과 1개의 음향 값)으로 구성됩니다.
• 머신 러닝 모델: 전처리된 데이터는 중첩되는 시간 창(overlapping time windows)으로 분할되어 하이브리드 CNN-LSTM 구조에 입력됩니다.
  • CNN 레이어: 방출물로부터 공간적 및 스펙트럼 특징을 추출합니다.
  • LSTM 레이어: 시간적 의존성과 프린터 상태(예: 이동, 유휴, 압출)의 시퀀스를 포착합니다.
  • 출력: 모델은 운동 프리미티브(IDLE, UP, DOWN, LEFT, RIGHT, Z_UP, Z_DOWN)와 압출 지표를 분류하며, 이는 이후 G-코드 명령 스트림을 재구성하는 데 집계됩니다.

주요 기여

1. 이중 스마트폰 다중 모달리티 공격: 본 연구는 두 대의 스마트폰과 동적 노이즈 모델링 프레임워크를 사용하는 은닉 공격을 입증하여, 노이즈가 많은 환경(두 번째 3D 프린터가 동시에 작동하는 시나리오 포함)에서도 G-코드 재구성을 가능하게 합니다.
2. 비가시선(Non-Line-of-Sight) 재구성: 본 공격은 프린터로부터 60cm 떨어진 위치에서 물리적 접촉이나 가시선 없이 성공적으로 수행됩니다.
3. 고충실도 재구성: 본 방법은 **98.89%**의 명령 수준 재구성 정확도를 달양하며, 재구성된 객체는 원본과 기하학적으로 일치합니다. 이 접근 방식은 이전 연구들에 비해 더 먼 거리에서도 높은 정확도를 유지하여, 차원 및 표면 품질 오차를 줄입니다.
4. 강건성 검증: 본 방법론은 동일 브랜드의 다른 프린터 유닛이 있는 다른 물리적 환경에서도 테스트되었으며, 복잡한 객체(톱니 아이콘, 터빈 블레이드, 렌치)를 98.05%에서 98.35% 사이의 정확도로 성공적으로 재구성했습니다.
5. 완화 가이드라인: 본 논문은 음향/자기 차폐(방음 인클로저, 패러데이 케이지), 파라미터 무작위화(경로 난독화, 속도 변화), 능동형 재밍을 포함한 실질적인 대응책을 제시합니다.

결과

• 주요 실험: 메인 시나리오(60cm 거리, 비가시선, 두 번째 프린터로부터 발생하는 동시 노이즈)에서 공격은 **98.89%**의 명령 수준 정확도를 달성했습니다. 재구성된 G-코드는 피드 레이트(feed rates)와 압출 값의 미세한 차이만을 제외하고 원본 기하 구조를 보존했습니다.
• 간섭 분석: 대상 프린터(LulzBot)와 함께 두 번째 프린터(Creality)가 동시에 작동할 때, 대상 프린터의 모터가 더 크고 음향 방출이 더 컸기 때문에 대상의 신호가 지배적이었습니다. 대상의 자기 신호 또한 센서와 관련된 특정 모터 배치 덕분에 더 강력하고 일관적이었습니다.
• 거리 민감도: 정확도는 70cm 거리까지 높게 유지되었습니다(98~99%). 신호 대 잡음비(SNR)가 급격히 떨어짐에 따라 100cm 이상의 거리에서는 성능이 크게 저하되었으며, 150cm 이상의 거리에서는 정확도가 65% 미만으로 떨어졌습니다.
• 모델 성능: 하이브리드 CNN-LSTM 모델은 운동 분류에서 97.99%의 훈련 정확도를 달성하였으며, 이는 SVM, Random Forest, 단독 CNN 및 단독 LSTM 모델보다 우수한 성능을 보였습니다.

의의
본 논문은 3D 프린팅 시스템이 사이드 채널 누출에 대해 심각한 보안 취약점을 가지고 있음을 입증한다고 주장합니다. 범용 스마트폰을 사용하여 물리적 접촉 없이 원거리에서 고충실도 G-코드를 무단으로 접근하고 재구성할 수 있음을 증명함으로써, 본 연구는 AM 프로세스가 공유되거나 공공적인 환경에서 취약하다는 점을 강조합니다. 저자들은 데이터 수집이 흔히 사용되는 기기를 통해 용이하게 이루어진다는 점을 들어, 제조 IP를 보호하기 위한 즉각적인 인식 제고와 완화 조치의 구현이 필요함을 강조합니다.