💻 computer science

Deep Learning-Assisted Improved Differential Fault Attacks on Lightweight Stream Ciphers

Deze paper presenteert een diep-leringsgestuurde differentieele foutaanval op drie lichte streamciphers (ACORNv3, MORUSv2 en ATOM) die, onder een gematigd foutmodel, de locaties van fouten met hoge nauwkeurigheid identificeert en de complexiteit van het herstel van geheime sleutels verlaagt ten opzichte van bestaande methoden.

Oorspronkelijke auteurs: Kok Ping Lim, Dongyang Jia, Iftekhar Salam

Gepubliceerd 2026-04-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kok Ping Lim, Dongyang Jia, Iftekhar Salam

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Diepe Leerkracht en de Gebroken Sloten: Hoe AI Hulp Vindt bij Hacken van Veilige Cijfers

Stel je voor dat je een heel klein, slim slot hebt dat gebruikt wordt in slimme apparaten zoals slimme thermostaten of medische hulpmiddelen. Dit slot is ontworpen om heel weinig batterij te verbruiken (het is "lichtgewicht"), maar het moet wel onkraakbaar zijn. De makers van deze apparaten hopen dat niemand ooit de code kan kraken.

Maar wat als je het slot niet met de sleutel probeert te openen, maar er gewoon een hamer op slaat? In de wereld van cryptografie noemen we dit een Foutaanval (Fault Attack). Je "slaat" een fout in het systeem, bijvoorbeeld door een elektrisch signaal te verstoren, zodat het slot een foutieve uitstoot geeft. Door te kijken naar het verschil tussen het normale gedrag en het gebroken gedrag, kunnen hackers soms de geheime sleutel achterhalen.

Het probleem is: Waar heb je geslagen? Als je niet precies weet op welk onderdeel van het slot je de hamer hebt laten vallen, is het heel moeilijk om de schade te analyseren. Het is alsof je een auto probeert te repareren, maar je weet niet welke bout je hebt losgemaakt.

De Oplossing: Een AI die "luistert" naar de schade

De auteurs van dit paper hebben een slimme oplossing bedacht. Ze hebben een kunstmatige intelligentie (een Deep Learning-model, specifiek een "Multilayer Perceptron" of MLP) getraind om als een ervaren detective te fungeren.

Hier is hoe het werkt, stap voor stap, in gewone taal:

1. De Training: Het Leren van Patronen

Stel je voor dat je een hond traint om een specifiek geluid te herkennen. In plaats van geluiden, geven we de AI duizenden voorbeelden van "gebroken sloten".

We simuleren een fout op elke mogelijke plek in het slot (bijvoorbeeld op bit 1, bit 2, bit 3, etc.).
We kijken naar het resultaat: hoe ziet het "gebroken" signaal eruit?
De AI leert: "Ah, als het signaal zo klinkt, dan is de hamer op plek 45 gevallen!"

De onderzoekers hebben dit gedaan voor drie verschillende soorten sloten (cryptografische algoritmen): ACORNv3, MORUSv2 en ATOM.

2. De Aanval: De AI als Gids

Nu komt de echte aanval:

De Hackers slaan toe: Ze injecteren een fout in het slot, maar ze weten niet waar.
De AI kijkt toe: Ze nemen het gebroken signaal en geven het aan de getrainde AI.
De AI wijst aan: "Ik weet het! De fout zat op plek 154!"
De Analyse: Omdat de hackers nu weten waar de fout zat, kunnen ze de wiskundige vergelijkingen oplossen om de geheime sleutel te vinden.

3. De Resultaten: Hoe goed werkt het?

De onderzoekers hebben getest of hun "AI-detective" beter is dan de oude methoden (die vaak op handmatige patronen of "handtekeningen" van fouten vertrouwden).

Voor ACORNv3 (Een populair slot):
De AI was bijna perfect. Ze had een succespercentage van 99,98%. Ze kon de foutlocatie bijna altijd vinden. Hierdoor konden ze de geheime sleutel vinden met slechts 21 tot 34 "slagen" (foutinjecties). Dat is veel minder dan wat andere methoden nodig hebben. Het is alsof je een raam breekt en de AI je direct vertelt welk glasplaatje eruit is gevallen, zodat je de rest van het raam snel kunt repareren (of in dit geval: kraken).
Voor MORUSv2 (Een sneller, groter slot):
Dit slot is groter en complexer. De AI was nog steeds heel goed (99,92% succes), maar omdat het slot zo groot is, hadden ze meer "slagen" nodig (ongeveer 213 tot 248). Toch was dit een verbetering: ze konden de volledige sleutel vinden met minder gokwerk dan voorheen.
Voor ATOM (Het nieuwste, sterkste slot):
Hier werd het lastig. ATOM is ontworpen met een extra beveiligingslaag (een "dubbele sleutelfilter"). De AI had meer moeite: 82% succes.
- De les hier: ATOM is echt veilig. Zelfs met een slimme AI konden ze de volledige sleutel niet vinden zonder de foutlocatie precies te kennen. Als de AI ook maar één keer een fout maakte in het raden van de locatie, faalde de aanval. Dit bewijst dat ATOM een zeer sterke beveiliging heeft.

Waarom is dit belangrijk?

Vroeger moesten hackers gissen naar waar de fout zat, of ze moesten duizenden keren proberen. Met deze AI-methode:

Het is sneller: De AI vindt de foutlocatie direct.
Het is efficiënter: Je hebt minder "slagen" nodig om de sleutel te vinden.
Het is een waarschuwing: Het laat zien dat zelfs de nieuwste, lichtste beveiliging kwetsbaar kan zijn als iemand fysieke toegang heeft tot het apparaat en slimme tools gebruikt.

Conclusie in één zin:
De onderzoekers hebben bewezen dat je met een slimme computer (AI) veel sneller en slimmer kunt kraken aan de beveiliging van kleine apparaten dan met oude methoden, maar dat de nieuwste ontwerpen (zoals ATOM) nog steeds een zeer hoge barrière hebben die zelfs deze slimme AI moeilijk kan overwinnen.

Titel: Diep Leergeassisteerde Verbeterde Differentiële Foutaanvallen op Lichtgewicht Streamciphers

Auteurs: Kok Ping Lim, Dongyang Jia, Iftekhar Salam (Xiamen University Malaysia)

1. Probleemstelling

Lichtgewicht cryptografische primitieven, zoals ACORNv3, MORUSv2 en ATOM, worden veelvuldig ingezet in resource-beperkte omgevingen, met name in Internet of Things (IoT)-toepassingen. Omdat deze apparaten vaak fysiek toegankelijk zijn, zijn ze kwetsbaar voor fysieke aanvallen, en specifiek voor foutaanvallen (fault attacks).

Traditionele differentiële foutaanvallen (DFA) vereisen vaak dat de aanvallers de locatie van de ingebrachte fout kennen of gebruikmaken van "signatuur-gebaseerde methoden" om deze te lokaliseren. Deze traditionele methoden kunnen echter inefficiënt zijn of falen bij complexe foutpropagatiepatronen, vooral onder het ontspannen foutmodel waarbij de aanval een single-bit flip-fout injecteert op een onbekende locatie. Daarnaast is de toepassing van diep leren (deep learning) op foutaanvallen voor streamciphers nog beperkt onderzocht.

2. Methodologie

De auteurs stellen een nieuw raamwerk voor dat diep leren combineert met differentiële foutaanvallen. De aanpak bestaat uit twee hoofdfasen:

A. Identificatie van Foutlocaties met MLP

Omdat de exacte locatie van de fout onbekend is, trainen de auteurs Multilayer Perceptron (MLP) modellen om de foutlocatie te voorspellen op basis van differentiële keystreams.

Dataset Generatie: Voor elke mogelijke foutlocatie in de interne staat van de cipher worden datasets gegenereerd. Dit omvat het genereren van een foutloze keystream en een keystream met een ingebrachte single-bit flip-fout. Het verschil (XOR) vormt de differentiële keystream.
Model Architectuur: De MLP-modellen nemen de differentiële keystream als invoer en voorspellen de index van de foutlocatie. De modellen worden getraind met de Adam-optimizer en een 'sparse categorical cross-entropy' verliesfunctie.
Doel: Het model leert de complexe patronen van foutpropagatie die door de cipher-structuur worden gegenereerd, wat traditionele methoden vaak niet kunnen doen.

B. Geheimherstel met een Drempelgebaseerde Strategie

Zodra de foutlocatie correct is geïdentificeerd, wordt een systeem van algebraïsche vergelijkingen opgesteld om de geheime toestand of sleutel te herstellen.

Drempelmechanisme: De auteurs introduceren een drempelwaarde (threshold) voor het aantal vereiste differentiaalvergelijkingen. Als het aantal vergelijkingen onder deze drempel ligt, worden er meer foutinjecties uitgevoerd.
Oplossing: Het vergelijkingssysteem (inclusief lineaire en niet-lineaire vergelijkingen) wordt opgelost met behulp van Gröbner-basis algoritmen (via de SageMath bibliotheek).
Optimalisatie: Als de oplossing binnen de tijdslimiet niet lukt, wordt de drempel verhoogd om meer vergelijkingen toe te voegen, wat de kans op succes vergroot zonder onnodig veel fouten te injecteren.

3. Belangrijkste Bijdragen

Eerste toepassing van Deep Learning voor DFA op deze ciphers: Het paper presenteert de eerste experimentele resultaten van diep leergeassisteerde DFA's op ACORNv3, MORUSv2 en ATOM.
Verbeterde Locatie-identificatie: De MLP-modellen presteren significant beter dan traditionele signatuur-gebaseerde methoden bij het lokaliseren van fouten op onbekende locaties.
Efficiëntere Geheimherstel: Door het gebruik van een drempelgebaseerde methode en het opnemen van vergelijkingen van alle graden (niet alleen lineaire), wordt het aantal benodigde foutinjecties geminimaliseerd en de aanvalcomplexiteit verlaagd.
Eerste DFA op ATOM: Het paper biedt de eerste experimentele DFA-resultaten voor de ATOM cipher.

4. Resultaten

De resultaten zijn per cipher als volgt:

ACORNv3

Foutlocatie: Het MLP-model bereikte een nauwkeurigheid van 99,9880%, wat hoger is dan de signatuur-methode (99,9747%) en de set-gebaseerde methode.
Geheimherstel: De volledige initiële staat (293 bits) kan worden hersteld met 21 tot 34 fouten (gemiddeld 27).
Complexiteit: De tijdscomplexiteit is verwaarloosbaar, een aanzienlijke verbetering ten opzichte van eerdere werken die complexiteiten van $2^{25.40}$ tot $2^{146.5}$ hadden. Geen gis- en bepaal-methode (guess-and-determine) was nodig.

MORUSv2

Foutlocatie: Het model bereikte een nauwkeurigheid van 99,9231%, tegenover 95,2606% voor de traditionele methode.
Geheimherstel: De volledige initiële staat (640 bits) kan worden hersteld met 213 tot 248 fouten.
Gis-benodigdheid: In sommige gevallen was het nodig om maximaal 6 bits te raden ( $2^6 = 64$ combinaties), wat nog steeds zeer efficiënt is.
Vergelijking: Dit is de eerste implementatie van een DFA op MORUS die de volledige staat herstelt onder een zwakker foutmodel (geen controle over locatie) dan eerdere theoretische analyses.

ATOM

Foutlocatie: De nauwkeurigheid was lager (82,3568%) vergeleken met de andere twee ciphers, maar nog steeds aanzienlijk beter dan de signatuur-methode (58,8976%). De lagere nauwkeurigheid wordt toegeschreven aan de "double key filter" en de niet-deterministische aard van de foutpropagatie.
Geheimherstel: Onder het model zonder controle over de foutlocatie kon geen volledige staat worden hersteld vanwege de hoge kans op identificatiefouten.
Precisie-model: Onder een strikter model (met controle over de foutlocatie) konden 74 van de 90 bits van de NFSR (Non-linear Feedback Shift Register) worden hersteld met 46 fouten.
Veiligheidsmarge: De resultaten tonen aan dat ATOM een hogere veiligheidsmarge heeft dankzij zijn ontwerp.

5. Betekenis en Conclusie

Dit werk demonstreert dat diep leren een krachtig hulpmiddel is om de efficiëntie van differentiële foutaanvallen op lichtgewicht streamciphers te verbeteren.

Technische Impact: Het overwinnen van de beperkingen van traditionele signatuur-methoden door het leren van complexe, niet-lineaire foutpropagatiepatronen.
Veiligheidsevaluatie: De studie biedt nieuwe inzichten in de kwetsbaarheden van CAESAR-finalisten (ACORN, MORUS) en de nieuwere ATOM-cipher. Het bevestigt dat ATOM robuuster is, maar ook dat zelfs deze ciphers kwetsbaar zijn voor geavanceerde, diep leergeassisteerde aanvallen als de fysieke beveiliging faalt.
Toekomstperspectief: De auteurs suggereren dat toekomstig onderzoek zich kan richten op het toepassen van deze methoden op nog meer ontspannen foutmodellen (zoals willekeurige fouten) en het optimaliseren van het oplossen van vergelijkingen zonder tijdsbeperkingen.

Samenvattend biedt dit paper een bewezen raamwerk dat de complexiteit van cryptanalytische aanvallen verlaagt en de noodzaak van fysieke beveiliging in IoT-apparaten onderstreept.