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

Resumo Técnico: TriSweep – Um Framework de Enxame de Quatro Drones para Análise de Canal Lateral Eletromagnético

Declaração do Problema
A análise de canal lateral eletromagnético (EM SCA) tradicionalmente depende de um modelo de ameaça onde um adversário posiciona uma sonda a distâncias de milímetros a centímetros de um dispositivo alvo. Essa suposição torna medidas de segurança física, como painéis e invólucros trancados, eficazes. No entanto, a proliferação de veículos aéreos não tripulados (UAVs) comerciais prontos para uso (COTS) e hardware de rádio definido por software (SDR) de baixo custo desafia esse modelo. Um adversário capaz de pairar um drone a distâncias de segurança de 0,25 a 1,5 metros pode contornar a segurança física baseada em proximidade sem acesso direto. Além disso, implementações embarcadas modernas frequentemente empregam esquemas de mascaramento de primeira ordem para randomizar valores intermediários, exigindo análise de segunda ordem para recuperar chaves. Ataques de segunda ordem tradicionais devem separar algoritmicamente eventos de vazamento (por exemplo, carregamento de máscara e computação mascarada) de um único traço, um processo sensível a jitter de temporização e ruído. O artigo postula que um enxame de múltiplos drones poderia separar espacialmente esses eventos de vazamento, cancelando fisicamente a máscara sem pré-processamento algorítmico.

Metodologia
O TriSweep é um framework de simulação projetado para avaliar uma arquitetura de enxame de quatro drones para SCA-EM autônoma em distância de segurança. O sistema não utiliza hardware fabricado; em vez disso, combina conjuntos de dados EM reais e publicamente disponíveis do ANSSI ASCAD (ATmega8515 com AES-128 mascarado) com um modelo de ruído baseado em física de perda de caminho em espaço livre.

O framework consiste em quatro papéis distintos de drone:

1. Drone A (Âncora): Paira a uma distância de referência ($D_{ref} = 0,25$ m) para fornecer uma referência de relógio e coleta de espectro completo EM.
2. Drone B (Sonda de Máscara): Especializado em capturar a janela de vazamento do carregamento do registrador de máscara.
3. Drone C (Sonda de Cifra): Especializado em capturar a janela de vazamento da saída mascarada SubBytes.
4. Drone D (Acumulador): Uma unidade estacionária que recebe traços IQ sincronizados dos outros três drones.

O pipeline de ataque depende de sete algoritmos:

• Comunicação e Direcionamento: Um protocolo de batimento cardíaco de 50 Hz coordena gatilhos de captura e localização de alvo via Diferença de Tempo de Chegada (TDOA).
• Reposicionamento do Enxame: Os drones B e C reposicionam-se autonomamente a cada 200 ms para maximizar a informação de Fisher distribuída.
• Sincronização de Relógio: Um protocolo de dois estágios (alinhamento grosseiro via GPSDO seguido de correlação cruzada de tom piloto de 1 kHz) alcança jitter inter-drone inferior a 10 ns, permitindo combinação coerente.
• Combinação Coerente: O Drone D realiza a combinação de razão máxima (MRC) dos traços sincronizados, resultando em um ganho teórico de SNR de 4,8 dB ($10 \log_{10}(3)$).
• Cancelamento Físico de Máscara de Segunda Ordem: O Drone D calcula o produto centrado dos traços do Drone B e do Drone C ($X_{SO} = (T_B - \bar{T}_B) \cdot (T_C - \bar{T}_C)$). Essa separação espacial física permite que a máscara $r$ se cancele sem conhecimento de seu valor.
• Acumulação de Classificação de Chave: O sistema agrega log-verossimilhanças de traços de primeira ordem, do produto de segunda ordem e de uma Rede Neural Convolucional (CNN) opcional de dois canais.

Principais Contribuições

1. Arquitetura de Quatro Drones: Um design inovador que separa fontes de vazamento em drones coletores dedicados (Âncora, Sonda de Máscara, Sonda de Cifra) e um Acumulador central.
2. Cancelamento Físico de Segunda Ordem: O primeiro framework proposto a alcançar cancelamento de máscara de segunda ordem via decomposição espacial e combinação coerente, em vez de separação puramente algorítmica de um único traço.
3. Consenso e Sincronização do Enxame: Protocolos para maximização de informação de Fisher distribuída e sincronização de relógio inferior a 10 ns adaptados para plataformas aéreas.
4. Alinhamento de Traços de Perfilagem: Um método de alinhamento por correlação cruzada que compensa a vibração do pairamento do drone (simulada como jitter de 100 amostras), reduzindo significativamente a classificação de chaves em conjuntos de dados dessincronizados.
5. Framework de Simulação: Um ambiente de simulação validado usando conjuntos de dados ASCAD reais e modelos de ruído calibrados para prever o desempenho de um sistema físico antes da fabricação.

Resultados
Avaliado contra três conjuntos de dados ASCAD reais (mascarado primário, dessincronizado de 50 amostras e dessincronizado de 100 amostras), a simulação produziu o seguinte:

• Melhoria na Classificação de Chave: No conjunto de dados mascarado primário a 0,25 m, o sistema de quatro drones alcançou uma classificação de chave simulada de 18 ± 1,7 (validação de cinco sementes), uma melhoria de dez vezes sobre a classificação de linha de base de um único drone de 197.
• Ganho de SNR: A combinação coerente de três coletores forneceu um ganho de SNR de 4,8 dB, consistente com previsões teóricas.
• Compensação de Jitter: O alinhamento por correlação cruzada de traços de perfilagem reduziu a classificação de chaves no conjunto de dados com jitter de 100 amostras de 89 (um único drone, não alinhado) para 21.
• Desempenho da CNN: Uma CNN de dois canais no Acumulador convergiu para uma perda de 0,454 (vs. linha de base aleatória 5,545) e melhorou classificações em conjuntos de dados dessincronizados, embora tenha apresentado sobreajuste nos dados mascarados limpos em comparação com o produto manual de segunda ordem.
• Sensibilidade à Distância: O sistema manteve uma classificação de chave de 20 a 0,25 m e 25 a 1,5 m no conjunto de dados primário, demonstrando que a combinação de segunda ordem compensa a perda de SNR em maiores distâncias de segurança.

Significado e Alegações
O artigo afirma que o TriSweep estabelece um "vetor de ameaça qualitativamente novo" ao combinar mobilidade aérea, ganho coerente de múltiplos receptores e reposicionamento autônomo para derrotar implementações criptográficas mascaradas em distâncias de segurança. O significado principal reside na decomposição espacial física dos eventos de vazamento, o que permite o cancelamento da máscara sem pré-processamento algorítmico ou conhecimento do valor da máscara.

Os autores afirmam explicitamente que nenhum hardware físico foi fabricado; todos os resultados são derivados de simulação usando conjuntos de dados reais e um modelo de ruído. Consequentemente, o artigo posiciona o TriSweep como uma especificação de design e ferramenta de previsão quantitativa. Os autores reconhecem que a implantação física enfrenta desafios não modelados, como interferência eletromagnética (EMI) de hélices e ruído de fase induzido por vibração, que podem degradar o SNR simulado. A próxima etapa imediata identificada é a construção e o voo de um protótipo físico para validar as previsões do framework e quantificar a lacuna entre simulação e realidade.