Function Recognition from Raw Power Side Channels in Bare-Metal Embedded Systems: Feasibility and Limits

기술 요약: 베어메탈 임베디드 시스템의 로우 파워 사이드 채널을 통한 함수 인식

문제 정의
베어메탈 마이크로컨트롤러, 특히 ARM Cortex-M 변형 모델들은 자원이 제한된 IoT, 산업 및 사이버 물리 시스템의 기초가 됩니다. 그러나 이들은 운영체제 수준의 계측(instrumentation)이 부재하여 런타임 보안 모니터링에 있어 상당한 사각지대를 형성합니다. memcpy, memset과 같은 메모리 관련 C 함수는 보안 약점의 빈번한 벡터가 되지만, 이들의 실행을 관찰하는 것만으로는 해당 호출이 반드시 악의적인지를 입증할 수 없습니다. 본 연구의 핵심 질문은 소프트웨어 계측이나 설계된 스펙트럼 특징(spectral features) 없이도, 수정되지 않은 연속적인 베어메탈 워크로드 내의 로우 파워 트레이스(raw power traces)로부터 선택된 보안 관련 C 함수를 직접 인식할 수 있는지 여부입니다. 본 연구는 이러한 접근 방식의 타당성과 노출된 신호로부터 구별할 수 있는 물리적 한계가 어디까지인지를 규명하고자 합니다.

방법론
저자들은 ChipWhisperer Lite 오실로스코프를 통해 전력을 획득하여 ARM Cortex-M4-K82F 플랫폼을 사용해 이 문제를 조사했습니다. 실험 설정은 다음과 같습니다:

• 데이터 획득: 파라미터 의존적 변동성을 포착하기 위해 무작위 함수 입력을 사용하여 8 MHz(CPU 주파수와 일치)에서 트레이스를 수집했습니다. 바이너리는 명시적인 함수 경계를 유지하기 위해 -O0 옵션으로 컴파일되었습니다.
• 데이터셋 구축: 함수당 2,700개의 트레이스를 생성하였으며, 이를 다양한 중첩을 가진 고정 크기 윈도우(기본 설정: 50 샘플)로 분할했습니다. 데이터 누수를 방지하기 위해 로우 트레이스 수준에서 분할된 140,000개의 윈도우로 구성된 균형 잡힌 데이터셋을 생성했습니다.
• 아키텍처 비교: 연구에서는 세 가지 뚜렷한 접근 방식을 비교했습니다:
  1. Transformer 기반 시퀀스 분류: 공유 오토인코더 거부 단계(rejection stage)와 Transformer 인코더를 결합한 방식.
  2. LSTM 기반 시퀀스 분류: 스택형 LSTM 레이어를 사용하며, "Mixed" 클래스를 포함하여 함수 경계를 처리하는 공유 거부 단계와 함께 테스트되었습니다.
  3. 병렬 클래스별 오토인코더: 본 연구에서 제안하는 주요 방법입니다. 단일 다중 클래스 분류기 대신, 이 아키텍처는 각 타겟 함수에 대해 하나의 오토인코더를 훈련시킵니다. 각 모델은 단일 함수의 전력 시그니처에 대한 재구성 분포를 학습합니다. 추론 과정에서 재구성 오차(reconstruction error)가 함수별 임계값보다 낮을 때만 윈도우가 수용되며, 그렇지 않으면 분포 외(out-of-distribution) 데이터로 간주되어 거부됩니다.

주요 기여

1. 로우 파워 함수 인식: 저자들은 스펙트럼 특징 엔지니어링이나 워크로드 수정 없이도, 연속적인 워크로드 내의 고정 크기 로우 파워 윈도우로부터 선택된 C 함수를 직접 인식할 수 있음을 입증했습니다.
2. 클래스별 재구성: 본 연구는 병렬 클래스별 오토인코더 아키텍처를 도입하고 검증했습니다. 이 방식은 단일 다중 클래스 분류기에 비해 관련 없는 워크로드 세그먼트를 특정 카테고리로 강제 분류하는 대신 거부할 수 있게 함으로써 성능을 향상시킵니다.
3. 물리적 한계 특성화: 연구는 인식의 어려움이 단순히 모델 용량의 문제가 아니라, 물리적 신호 자체의 정보 콘텐츠에 의해 제약된다는 점을 보여줌으로써 관측 가능성의 한계를 경험적으로 규명했습니다.

결과
평가는 일반적인 소프트웨어 약점(예: 버퍼 오버플로, 부호 있는 정수에서 부호 없는 정수로의 변환 오류)을 유발하도록 설계된 독립적인 연속 워크로드(W1–W20)에서 수행되었습니다.

• 7개 함수 세트: 7개의 타겟 함수(memcpy, memset, memmove, strncpy, strncat, malloc, strcpy)를 모두 평가했을 때, 모든 아키텍처가 높은 오탐률(FPR)로 어려움을 겪었습니다. 병렬 오토인코더가 가장 낮은 FPR(52.49%)을 기록했으나, 여전히 모든 시그니처를 안정적으로 분리하는 데는 실패했습니다.
• 5개 함수 세로: malloc과 strcpy를 제외했을 때, 병렬 클래스별 오토인코더는 최적의 동작 지점을 달성했습니다: 96.00%의 진양성률(TPR) 및 **4.00%의 위음성률(FNR)**을 39.79%의 FPR에서 기록했습니다.
  • Transformer 베이스라인은 44.95%의 FPR에서 90.00%의 TPR에 도달했습니다.
  • 가장 우수한 LSTM 구성은 100%의 TPR을 달성했으나, 훨씬 높은 59.38%의 FPR을 보였습니다.
• 신호의 한계: 두 가지 특정 함수는 모든 아키텍처에서 일관되게 어려운 대상으로 나타났습니다:
  • malloc: 할당 크기에 관계없이 거의 불변하는 실행 프로필(~166 사이클)을 보여, 함수 내부의 신호 변동성이 부족했습니다.
  • strcpy: memcpy 및 기타 메모리 전송 작업과 높은 함수 간 유사성을 보여, 로우 파워 윈도우 내에서 모호성을 생성했습니다.
• 획득 파라미터: 샘플링 레이트를 CPU 주파수의 4배로 높이거나 윈도우 크기를 200 샘플로 늘려도 인식 성능이 향상되지 않았으며, 이는 한계가 획득 해상도가 아닌 신호 자체의 정보에 있음을 시사합니다.
• 교차 플랫폼 검증: Cortex-M4-F303에 대한 맥락적 평가를 통해, 이 방법이 다른 보드에서도 재학습이 가능함을 확인했습니다. 이 경우 100%의 TPR을 달려냈으나 33.35%의 FPR을 유지했으며, 함수별로 정밀도(precision)가 6.25%에서 50%까지 크게 달랐습니다.

의의 및 주장
본 논문은 로우 파워 함수 인식이 자원 제한적인 임베디드 시스템을 모니터링하기 위한 독립적인 행동 신호로서 **가능(feasible)**하지만, 단독적인 취약점 탐지기는 아니다라고 결론짓습니다.

• 행동 신호 vs 보안 탐지기: 저자들은 함수 실행을 인식하는 것이 해당 호출이 안전하지 않거나 악의적임을 확립하는 것은 아니라는 점을 강조합니다. 대신, 이 접근 방식은 다단계 모니터링 아키텍처에서 소프트웨어 유도 증거를 보완할 수 있는 외부 행동 신호를 제공합니다.
• 물리적 관측 가능성 한계: 연구는 함수 시그니처의 구별 가능성이 특정 하드웨어, 컴파일러 및 라이브러리 구현에 의해 노출되는 물리적 정보에 의해 제한된다는 것을 입증했습니다. malloc과 strcpy에서 나타난 지속적인 어려움은 모델 용량을 아무리 높여도 불충분하거나 중첩된 물리적 정보를 극복할 수 없음을 시사합니다.
• 배포 현실: 저자들은 높은 오탐률과 함수 의존적 정밀도로 인해 즉각적인 배포에 대해서는 신중한 입장을 취하며, 단독 알림 도구로서의 사용은 어렵다고 언급했습니다. 신뢰할 수 있는 배포를 위해서는 오탐률을 줄이고 컴파일러 최적화, 환경 조건 및 하드웨어 플랫폼 전반에 걸친 견고성을 확보하기 위한 추가 연구가 필요합니다.

요약하자면, 본 연구는 로우 파워 사이드 채널이 드러낼 수 있는 범위의 경계를 정의합니다. 즉, 모니터링되는 소프트웨어 스택에 의존하지 않고도 보안 관련 소프트웨어 동작을 노출할 수는 있지만, 그 효용성은 물리적 증거가 구별 가능한 특정 함수와 운영 조건에 엄격히 제한됩니다.