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

Resumo Técnico: Ataque de Roubo de Propriedade Intelectual (PI) via Canal Lateral Multimodal e Sem Linha de Visão em Manufatura Aditiva Utilizando Dois Smartphones

Definição do Problema
A Manufatura Aditiva (MA), ou impressão 3D, revolucionou setores como aeroespacial, saúde e automotivo ao permitir prototipagem rápida e produção sob demanda. No entanto, essa adoção generalizada introduz riscos significativos de Propriedade Intelectual (PI). O processo de impressão gera emissões de canais laterais não intencionais — especificamente sinais acústicos e magnéticos — que se correlacionam com as instruções G-code subjacentes. Embora pesquisas anteriores tenham demonstrado a viabilidade de reconstruir o G-code a partir dessas emissões, estudos existentes enfrentam três limitações críticas:

1. Baixas Taxas de Sucesso: Tentativas anteriores frequentemente lutam para obter alta precisão na reconstrução dos comandos finais do G-code.
2. Alcance Limitado: Ataques tipicamente exigem posicionamento de curto alcance (menos de 30 cm) e linha de visão direta (LOS).
3. Equipamentos Especializados: Muitas abordagens dependem de ferramentas de coleta de dados ostensivas e especializadas, em vez de dispositivos comuns.
   Além disso, avaliações anteriores frequentemente assumem comportamentos operacionais simplificados (ignorando ciclos de ociosidade ou resfriamento) e ambientes de laboratório controlados com ruído de fundo mínimo, o que não reflete configurações de manufatura realistas onde oclusão, atividade simultânea de máquinas e ruído ambiente são prevalentes.

Metodologia
Este artigo propõe um ataque de canal lateral prático e não invasivo utilizando dois smartphones comuns para reconstruir o G-code de uma impressora 3D sem contato físico ou linha de visão.

• Modelo de Ameaça: O atacante possui conhecimento geral do modelo da impressora (Modelagem por Deposição Fundida - FDM), mas não tem acesso ao firmware, telemetria interna ou arquivos de design originais. O atacante implanta dois smartphones ocultos equipados com microfones e magnetômetros a uma distância de não-LOS de 60 cm da base da superfície da impressora, posicionados a um ângulo de 45°.
• Aquisição de Dados: O ataque captura duas modalidades de sinal distintas:
  • Acústica: Gerada pelo movimento mecânico e pela atividade de extrusão.
  • Magnética: Gerada pelos drivers dos motores de passo e componentes móveis.
    O ângulo de 45° foi selecionado como um compromisso para manter a amplitude acústica suficiente (seguindo um modelo de projeção de cosseno) enquanto maximiza a observabilidade magnética através da mistura de eixos.
• Processamento de Sinal: Como os dois smartphones operam de forma independente, os fluxos de dados brutos não são sincronizados. A metodologia emprega um pipeline de sincronização que alinha carimbos de tempo (timestamps), interpola valores ausentes e normaliza os dados. O vetor de entrada combinado consiste em oito dimensões (três eixos magnéticos e um valor acústico de cada um dos dois telefones).
• Modelo de Aprendizado de Máquina: Os dados pré-processados são segmentados em janelas de tempo sobrepostas e alimentados em uma arquitetura híbrida CNN-LSTM.
  • Camadas CNN: Extraem características espaciais e espectrais das emissões.
  • Camada LSTM: Captura dependências temporais e a sequência de estados da impressora (ex: movendo, ociosa, extrudando).
  • Saída: O modelo classifica primitivas de movimento (IDLE, UP, DOWN, LEFT, RIGHT, Z_UP, Z_DOWN) e indicadores de extrusão, que são então agregados para reconstruir o fluxo de comandos G-code.

Principais Contribuições

1. Ataque Multimodal com Smartphone Duplo: O estudo demonstra um ataque oculto usando dois smartphones e um framework de modelagem de ruído dinâmico, permitindo a reconstrução de G-code em ambientes ruidosos, incluindo cenários onde uma segunda impressora 3D opera concorrentemente.
2. Reconstrução Sem Linha de Visão: O ataque tem sucesso sem contato físico ou LOS, utilizando posicionamentos a 60 cm de distância da impressora.
3. Reconstrução de Alta Fidelidade: O método alcança uma precisão de reconstrução ao nível de comando de 98,89%, produzindo um objeto impresso que coincide geometricamente com o original. A abordagem mantém alta precisão em distâncias maiores comparado a trabalhos anteriores, reduzindo erros dimensionais e de qualidade superficial.
4. Validação de Robustez: A metodologia foi testada em um ambiente físico diferente com uma unidade de impressora diferente da mesma marca, reconstruindo com sucesso objetos complexos (ícone de engrenagem, pás de turbina, chave de boca) com precisões variando de 98,05% a 98,35%.
5. Orientação de Mitigação: O artigo descreve contramedidas práticas, incluindo blindagem acústica/magnética (invólucros à prova de som, gaiolas de Faraday), randomização de parâmetros de impressão (ofuscação de trajetória, variação de velocidade) e interferência ativa (jamming).

Resultados

• Experimento Primário: No cenário principal (distância de 60 cm, não-LOS, ruído concorrente de uma segunda impressora), o ataque alcançou 98,89% de precisão ao nível de comando. O G-code reconstruído preservou a geometria original com apenas pequenas discrepâncias nas taxas de avanço e valores de extrusão.
• Análise de Interferência: Quando uma segunda impressora (Creality) operava simultaneamente com o alvo (LulzBot), os sinais do alvo permaneceram dominantes devido aos motores maiores e emissões acústicas mais altas. Os sinais magnéticos do alvo também foram mais fortes e consistentes devido ao posicionamento específico dos motores em relação aos sensores.
• Sensibilidade à Distância: A precisão permaneceu alta (98–99%) em distâncias de até 70 cm. O desempenho degradou significamente além de 100 cm, conforme a Relação Sinal-Ruído (SNR) caiu, com a precisão ficando abaixo de 65% em distâncias superiores a 150 cm.
• Desempenho do Modelo: O modelo híbrido CNN-LSTM alcançou uma precisão de treinamento de 97,99% na classificação de movimento, superando modelos SVM, Random Forest, CNN isolada e LSTM isolada.

Significância
O artigo afirma demonstrar que os sistemas de impressão 3D possuem vulnerabilidades significativas de vazamento de canal lateral. Ao provar que smartphones comuns podem ser usados para acessar e reconstruir de forma não autorizada G-codes de alta fidelidade a partir de uma distância sem contato físico, o estudo destaca a vulnerabilidade dos processos de MA em ambientes compartilhados ou públicos. Os autores enfatizam que a facilidade de coleta de dados usando dispositivos ubíquos exige conscientização imediata e a implementação de contramedidas de mitigação para proteger a PI de manufatura.