💻 computer science

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

Este artigo investiga a viabilidade de ataques de falha diferencial assistidos por aprendizado profundo em cifras de fluxo leves (ACORNv3, MORUSv2 e ATOM), demonstrando que modelos de redes neurais superam métodos tradicionais na identificação de locais de falha e permitem recuperar o estado inicial com complexidade reduzida, além de apresentar os primeiros resultados experimentais de ataque ao cipher ATOM.

Autores originais: Kok Ping Lim, Dongyang Jia, Iftekhar Salam

Publicado 2026-04-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Kok Ping Lim, Dongyang Jia, Iftekhar Salam

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um cofre digital super leve, projetado para funcionar em dispositivos pequenos e baratos, como sensores de temperatura em uma fazenda inteligente ou fechaduras de portas inteligentes. Esses cofres são chamados de "criptografia leve". O problema é que, como estão espalhados por aí, um ladrão pode pegá-los fisicamente e tentar quebrá-los não com força bruta, mas fazendo uma "cirurgia" neles: injetando um pequeno erro (uma falha) no momento exato em que eles estão funcionando.

Este artigo de pesquisa é como um manual de como um "hacker inteligente" usaria Inteligência Artificial (IA) para encontrar onde esse erro foi injetado e, a partir daí, descobrir a senha secreta do cofre.

Aqui está a explicação passo a passo, usando analogias do dia a dia:

1. O Cenário: O Cofre e o "Pulo do Gato"

Os pesquisadores estudaram três tipos de cofres digitais (chamados ACORNv3, MORUSv2 e ATOM).

O Ataque Tradicional: Imagine que você joga uma pedra no cofre. Você sabe que algo quebrou, mas não sabe onde. Para descobrir a senha, você teria que adivinhar onde a pedra caiu e tentar calcular o resto. É como tentar adivinhar qual peça de um quebra-cabeça foi arrancada apenas olhando para a foto da caixa. Métodos antigos tentavam fazer isso com "assinaturas" (como uma impressão digital do erro), mas eram lentos e imprecisos.
O Novo Método (IA): Os pesquisadores treinaram um "detetive digital" (um modelo de rede neural, especificamente um MLP). Esse detetive olha para o resultado do erro (o "keystream" defeituoso) e diz: "Eu sei exatamente onde a pedra caiu!".

2. O Treinamento do Detetive (Aprendizado de Máquina)

Antes de atacar, os pesquisadores criaram um "simulador de crimes".

Eles injetaram erros em milhões de lugares diferentes nos cofres virtuais.
Eles mostraram para o computador: "Olha, o erro caiu aqui, e o resultado foi X".
Depois de ver milhões de exemplos, o computador aprendeu a reconhecer o padrão. É como treinar um cão de polícia para cheirar uma pista específica. Agora, quando o computador vê o resultado de um erro real, ele aponta o dedo para o local exato com uma precisão assustadora (quase 100% de acerto para os cofres ACORN e MORUS).

3. A Estratégia do "Limiar" (Threshold)

Uma vez que o detetive aponta onde o erro aconteceu, os pesquisadores precisam resolver um sistema de equações matemáticas complexas para descobrir a senha.

O Problema: Resolver essas equações é como tentar montar um quebra-cabeça gigante. Se você tiver poucas peças (poucos erros injetados), o quebra-cabeça não fecha. Se tiver muitas, ele fecha, mas pode demorar uma eternidade.
A Solução: Eles criaram uma regra chamada "Limiar". É como dizer: "Só vamos tentar resolver o quebra-cabeça quando tivermos pelo menos 150 peças". Se não tivermos, injetamos mais um erro e tentamos de novo. Isso otimiza o tempo e garante que, quando eles tentarem resolver, as chances de sucesso sejam altíssimas.

4. Os Resultados: Quem foi quebrado?

ACORNv3 (O Cofre Mais Frágil):
O detetive da IA acertou o local do erro quase 100% das vezes. Com apenas 21 a 34 erros injetados, eles conseguiram recuperar a senha completa. Foi muito mais rápido e eficiente do que os métodos antigos.
MORUSv2 (O Cofre Médio):
Também foi quebrado com sucesso. O detetive teve uma precisão de quase 99,9%. Eles precisaram de mais erros (entre 213 e 248), mas ainda assim conseguiram recuperar a senha completa, às vezes adivinhando apenas 6 bits (pequenos pedaços) da senha, o que é como adivinhar apenas 6 letras de uma palavra longa.
ATOM (O Cofre Blindado):
Aqui a IA teve mais dificuldade (precisão de cerca de 82%). Por que? Porque o cofre ATOM tem um mecanismo de segurança extra chamado "filtro de dupla chave". É como se o cofre tivesse um sistema que muda a lógica de funcionamento dependendo de onde você está.
- O Resultado: Sob as condições normais (sem saber onde o erro caiu), eles não conseguiram quebrar a senha completa.
- A Lição: Isso é uma vitória para a segurança! Significa que o design do cofre ATOM é muito forte. Eles só conseguiram recuperar a maioria dos dados se assumirem que o hacker tinha controle total sobre onde o erro foi injetado (o que é muito difícil na vida real).

Resumo Final

Este trabalho mostra que a Inteligência Artificial é uma ferramenta poderosa para quebrar códigos de segurança, tornando ataques físicos (como injetar erros) muito mais rápidos e precisos do que os métodos tradicionais.

Para os cofres ACORN e MORUS, a IA tornou o ataque muito eficiente, reduzindo o tempo e o esforço necessários.
Para o cofre ATOM, a IA mostrou que ele é muito mais seguro, pois mesmo com a ajuda da IA, quebrá-lo sem controle total sobre o erro é extremamente difícil.

Em suma: Os pesquisadores provaram que, se você usar IA para ajudar a encontrar onde um erro foi injetado, você pode quebrar muitos sistemas de segurança leves muito mais rápido. Mas também provaram que alguns sistemas (como o ATOM) são robustos o suficiente para resistir, desde que não haja controle total sobre o local do ataque.

Resumo Técnico: Ataques de Falha Diferencial Assistidos por Deep Learning em Cifras de Fluxo Leves

1. Problema e Contexto

As primitivas criptográficas leves são amplamente utilizadas em ambientes com recursos restritos, como dispositivos da Internet das Coisas (IoT). Devido à sua acessibilidade física, esses dispositivos são vulneráveis a ataques de falha (fault attacks), onde um adversário injeta erros no hardware para comprometer a segurança.

Desafio Atual: Os ataques de falha diferencial (DFA) tradicionais dependem de métodos baseados em "assinaturas" para identificar a localização exata da falha injetada. No entanto, em modelos de ataque onde o adversário não tem controle sobre a localização da falha (modelo relaxado), a identificação precisa torna-se difícil, especialmente em cifras de fluxo complexas.
Limitação da IA: Embora técnicas baseadas em Deep Learning (DL) tenham mostrado sucesso em criptanálise de cifras de bloco, sua aplicação em ataques de falha para cifras de fluxo ainda é limitada e pouco explorada.

2. Metodologia

Os autores propõem um framework de ataque de falha diferencial assistido por Deep Learning, focado em três cifras de fluxo leves: ACORNv3, MORUSv2 e ATOM.

Modelo de Ataque:
- Tipo de Falha: Injeção de uma única falha de "bit-flipping" (inversão de bit) no estado inicial.
- Restrição: O adversário não sabe onde a falha foi injetada (modelo sem controle de localização).
- Cenário: Ataque de texto claro conhecido (KPA), onde o adversário possui o fluxo de chaves (keystream) correto e o fluxo com falha.
Fase 1: Identificação da Localização da Falha (Deep Learning)
- Geração de Dados: Foram criados conjuntos de dados sintéticos simulando injeções de falha em todas as posições possíveis do estado interno. Para cada posição, geraram-se pares de keystreams (correto e com falha) e seus respectivos diferenciais.
- Modelo: Utilização de Multilayer Perceptron (MLP) (Redes Neurais Feedforward) para classificar a localização da falha com base no padrão do keystream diferencial.
- Treinamento: Os modelos foram treinados com otimizadores Adam e funções de perda de entropia cruzada, utilizando validação cruzada e early stopping.
Fase 2: Recuperação do Segredo (Framework Baseado em Limiar)
- Construção de Equações: Após identificar a localização da falha, são construídas equações diferenciais (XOR entre equações do keystream correto e com falha).
- Estratégia de Limiar (Threshold-based): Introduz-se um limiar para o número mínimo de equações diferenciais necessárias antes de tentar resolver o sistema.
- Resolução: O sistema de equações (incluindo equações lineares e de grau superior) é resolvido usando a base de Gröbner (via biblioteca SageMath).
- Otimização: Se a resolução falhar dentro de um tempo limite (1 minuto), o limiar é aumentado (adicionando mais injeções de falha) e o processo é repetido.

3. Principais Contribuições

Primeira Aplicação de DL em DFA para Cifras Leves: Demonstração da viabilidade de usar MLPs para identificar localizações de falha em ACORNv3, MORUSv2 e ATOM sob um modelo de ataque relaxado (sem controle de localização).
Superioridade sobre Métodos Tradicionais: Os modelos de DL superaram significativamente os métodos baseados em assinaturas tradicionais na tarefa de identificação de falhas.
Framework de Recuperação Otimizado: Introdução de uma estratégia baseada em limiar que permite recuperar o estado completo sem depender excessivamente de métodos de "chute e determine" (guess-and-determine) para todas as cifras, reduzindo a complexidade de ataque.
Primeiro Ataque DFA no ATOM: Realização do primeiro ataque de falha diferencial experimental na cifra ATOM, revelando sua alta margem de segurança.

4. Resultados Experimentais

Cifra	Precisão do Modelo (MLP) vs. Assinatura	Falhas Necessárias	Bits Recuperados	Complexidade
ACORNv3	99,9880% (MLP) vs. 99,9747% (Assinatura)	21 a 34	Estado Inicial Completo (293 bits)	Negligenciável (sem chutes)
MORUSv2	99,9231% (MLP) vs. 95,2606% (Assinatura)	213 a 248	Estado Inicial Completo (640 bits)	$2^6$ (máximo 6 bits chutados)
ATOM	82,3568% (MLP) vs. 58,8976% (Assinatura)	46 (mínimo)	Maioria dos bits do NFSR (sob controle preciso)	Alta (requer controle preciso)

ACORNv3: O ataque recuperou o estado inicial completo com alta probabilidade de sucesso. A complexidade é significativamente menor que trabalhos anteriores, pois evita chutes de estado.
MORUSv2: Apesar de exigir mais falhas devido ao tamanho grande do estado (640 bits), o ataque recuperou o estado completo. Em alguns casos, foi necessário chutar até 6 bits de estado, resultando em uma complexidade de $2^6$ (64 combinações), o que é trivial.
ATOM: O modelo de DL teve desempenho inferior (82%) comparado às outras cifras devido à natureza não determinística da propagação de falhas causada pelo "filtro de chave dupla" (double key filter). Sob o modelo sem controle, a recuperação total falhou. No entanto, sob um modelo de controle preciso (onde o atacante sabe onde injetar), foi possível recuperar 74 dos 90 bits do registrador de deslocamento de feedback não linear (NFSR). Isso demonstra que o ATOM possui uma margem de segurança superior.

5. Significância e Conclusão

Avanço na Criptanálise: Este trabalho valida que o Deep Learning pode ser uma ferramenta poderosa para superar as limitações dos métodos analíticos tradicionais em ataques de falha, especialmente na identificação de localizações de falha em cenários complexos.
Segurança das Cifras Leves:
- ACORNv3 e MORUSv2 foram quebrados com eficiência superior aos métodos existentes, sugerindo que suas implementações podem precisar de reavaliação contra ataques físicos.
- ATOM demonstrou ser robusto contra ataques de falha sem controle, validando a eficácia de sua arquitetura de filtro de chave dupla.
Direções Futuras: O estudo sugere investigar ataques com modelos de falha ainda mais relaxados (falhas aleatórias) e otimizar a resolução de equações para lidar com identificações de falha incorretas, permitindo a recuperação parcial de estados mesmo com erros de classificação.

Em suma, o artigo estabelece um novo paradigma na criptanálise de cifras leves, combinando aprendizado de máquina para diagnóstico de falhas com técnicas algébricas para recuperação de chaves, oferecendo resultados práticos e superiores aos métodos atuais.