DOI QR코드

DOI QR Code

CPA and Deep Learning-Based IV Analysis on AES-CBC Mode

AES-CBC 모드에 대한 CPA 및 딥러닝 기반 IV 분석 방안

  • Received : 2024.06.19
  • Accepted : 2024.09.07
  • Published : 2024.10.31

Abstract

Existing side-channel analysis studies have mostly been analyzed only on block ciphers without considering the operation mode. However, establishing a methodology of side-channel analysis on operation mode is necessary because information for performing analysis varies depending on that. This paper proposes a methodology of correlation power analysis (CPA) on an operation mode CBC in a software target. The first round SubBytes layer output is generally used as a sensitive hypothetical intermediate value of an encryption algorithm AES (advanced encryption standard); however, the adversary should acquire the plaintext and ciphertext to calculate the input of AES in CBC mode. We propose an intermediate value calculated only by ciphertext. Besides, the initial vector (IV) could be treated as closed information in practice, although it is theoretically not secret. The adversary cannot decrypt the first block of plaintext without IV even if he analyzes the secret key. We propose a deep learning-based IV analysis method in a non-profiled environment.

부채널 분석 연구는 대부분 운영 모드를 고려하지 않고 블록 암호만을 대상으로 하여 수행되었다. 하지만 운영 모드에 따라 부채널 분석을 위한 정보가 달라지기 때문에 각 운영 모드에 적합한 부채널 분석 방안을 설립해야 한다. 본 논문에서는 소프트웨어 환경에서의 CBC 운영 모드에 대한 CPA 방안을 제안한다. 암호 알고리즘 AES에 대한 CPA는 일반적으로 1라운드 SubBytes 출력을 중간값으로 사용하지만, CBC 모드의 경우, AES의 입력을 얻기 위해서는 암호문과 평문을 모두 알고 있어야 한다. 본 논문은 암호문만 기지인 경우에도 CPA를 수행할 수 있는 중간값을 제안한다. 한편, CBC 모드에서는 첫 번째 평문이 IV와 결합되는데, 응용에 따라 IV 정보가 비공개 정보로 취급되는 경우 공격자는 비밀키를 분석하더라도 전체 평문을 획득할 수 없다. 본 논문에서는 비프로파일링 환경에서 딥러닝 모델을 기반으로 IV를 복구하는 방안을 제안한다.

Keywords

I. 서론

부채널 분석은 실제 장비에서 암호 알고리즘이 동작할 때 발생하는 부채널 정보(소비전력, 전자파, 소리 등)를 이용하여 비밀키 등 알고리즘의 비밀 정보를 분석하는 기법이다. 부채널 분석 기법은 크게 프로파일링(profiling) 공격과 비프로파일링 공격으로 나뉜다. 프로파일링 공격은 공격 대상 장비와 동일한 환경의 프로파일링 장비로부터 부채널 신호를 수집하여 비밀키와 관련된 중간 연산 값과 부채널 신호의 관계를 나타내는 프로파일을 생성하고, 공격 대상 장비로부터 수집한 부채널 정보와 프로파일을 대응하여 비밀키를 분석하는 공격이다. 대표적인 프로파일링 공격으로는 템플릿(template) 공격이 있다[1]. 비프로파일링 공격은 고정된 비밀키로 임의의 평문을 암호화하는 공격 대상 장비로부터 다량의 소비전력을 수집하여 비밀키를 분석하는 기법이다. 대표적인 비프로파일링 공격으로는 DPA(Differential Power Analysis)와 CPA(Correlation Power Analysis)가 있다[2].

대칭키 암호는 블록 암호(block cipher)를 의사임의 치환(pseudo random permutation)으로 취급하여 설계된다. 즉, 운영 모드의 내부 함수로서 블록 암호가 사용된다. 대부분의 부채널 분석 연구는 운영 모드를 고려하지 않고 블록 암호만을 대상으로하여 수행되었다. 하지만 운영 모드에 따라 공격자가 부채널 분석을 위해 필요한 정보가 달라지므로 각 운영 모드에 적합한 부채널 분석 방안을 설립해야 한다. Darshana Jayasinghe 등은 하드웨어로 구현된 암호 알고리즘 AES(Advanced Encryption Standard)를 대상으로 다양한 운영 모드에 대한 부채널 분석 기법을 제안했다[3]. 해당 논문에서는 하드웨어에서의 일반적인 가설 소비전력인 10라운드 입출력의 해밍 거리(Hamming distance)를 사용하여 CBC(Cipher Block Chaining) 모드에 대한 CPA를 수행하였다. 그러나, 우리가 알고 있는 한, 소프트웨어 환경에서의 CBC 모드에 대한 CPA 방안은 제안되지 않았다. 소프트웨어로 구현된 AES에 대한 부채널 분석은 일반적으로 1라운드 SubBytes 계층 출력을 중간값으로 사용하는데, CBC 모드는 AES의 입력을 얻기 위해 암호문과 평문을 모두 알고 있어야 하는 어려움이 있다.

한편, 운영 모드에 따라 평문 블록은 IV(Initialization Vector) 또는 카운터(counter)와 결합된다. 암호학적으로 해당 정보는 비밀 정보는 아니지만, 응용에 따라 비공개 정보로 취급될 수 있다. 일례로, 드론 제조사 DJI는 민감 정보의 기밀성을 보장하기 위해 데이터를 AES-CBC 모드로 암호화한다. 이때 IV 정보는 비공개 펌웨어에 하드코딩 되는 등 일반에 공개하지 않는다[4]. 이처럼 IV가 공개되지 않는 경우, 공격자는 비밀키를 분석했더라도 전체 평문을 복구할 수 없다. 우리가 알고 있는 한, CBC 모드의 IV를 비프로파일링 환경에서 분석한 연구는 없었다.

Contribution of this paper

• 소프트웨어로 구현된 CBC 모드에 대한 CPA로 적합한 중간값을 제안한다. 기존 연구는 대부분 블록 암호에 대한 CPA 방안을 제안했다. 이에 본 연구에서는 운영 모드를고려했을때 낮은 공격자 가정으로 CPA를 수행할 수 있는 방안을 제안한다.

• 별도의 프로파일링 장비 없이 IV를 복구하는 딥러닝(deep learning) 모델 학습 방안을 제안한다. 일반적인 인공 신경망 기반 부채널 분석은 다량의 암호화 혹은 프로파일링 장비가 필요하다. 반면, 제안하는 방안은 비프로파일링 환경에서의 단일 암호화 수행 시에도 적용할 수 있다.

II. 배경지식

2.1 CPA

암호 장비가 처리하는 데이터는 소비전력과 상관관계가 있음이 알려져 있다[2]. CPA는 비밀키를 추정하여 계산한 가설 소비전력과 실제 소비전력의 피어슨 상관계수(Pearson correlation coefficient)로 추정한 키를 평가하여 비밀키를 분석하는 방법이다. CPA를 수행하기 위해서는 비밀키와 관련된 적절한 중간값을 선정해야 한다. 예컨대 AES가 대상인 경우, 일반적으로 중간값을 SubBytes 계층의 출력으로 사용한다. 이외의 계층은 다음과 같은 단점이 있다. AddRoundKey 계층은 선형 함수이므로 옳은 키로 계산한 상관계수의 절댓값과 같은 절댓값 상관계수를 갖는 틀린 키가 존재한다. ShiftRows 계층은 단순 바이트 치환이므로 SubBytes 출력과 동일한 값이고, MixColumns 계층의 출력은 입력 네 바이트에 의해 결정되므로 공격자가 232개의 후보 키를 평가해야 한다. 이는 28개의 후보 키만 평가하면 되는 SubBytes 출력에 비해 비효율적이다. 따라서 일반적으로 SubBytes 출력을 중간값으로 활용한다. 공격자는 소비전력 모델과 선택한 중간값으로 계산한 다수의 가설 소비전력 집합과 실제 소비전력 집합 사이의 상관 관계를 통계적으로 분석하여 비밀키를 복구한다.

2.2 딥러닝 기반 템플릿 공격

딥러닝은 심층 신경망을 사용하는 기계 학습의 한 분야로, 다량의 데이터로부터 고수준의 추상화 모델을 구축하는 기법이다. 딥러닝은 데이터 분류, 음성인식, 자연어 처리 등 많은 분야에 적용되고 있다. 데이터 분류의 측면에서 딥러닝의 목적은 분류 데이터를 해당 데이터에 대응하는 목푯값(label)으로 분류하는 것이다. 신경망은 분류 데이터와 목푯값의 관계를 학습한 후, 분류하고자 하는 데이터를 입력받아 해당 데이터가 속하는 범주를 예측한다. 신경망의 구조는 CNN(Convolutional Neural Network), MLP(Multi-Layer Perceptron) 등이 있는데, 본 논문에서는 MLP를 활용한다. MLP는 여러 퍼셉트론 층으로 구성된 신경망으로, 입력층과 출력층, 그리고 은닉층이라고 불리는 중간층으로 구성된다. MLP는 각 층의 노드(node)를 가중치(weight)와 편향(bias)으로 밀집 연결된 형태로 구성된다. 학습과정에서 노드의 가중치와 편향은 데이터와 목푯값의 관계를 나타내도록 조정되며, 추론 시 고정된 가중치와 편향으로 각 계층의 출력을 연산한다.

템플릿 공격은 공격자가 공격 대상 장비와 동일한 프로파일링 장비를 보유하고 있다는 공격 가정에서 수행할 수 있는 부채널 분석 기법이다. 템플릿 공격은 프로파일링 단계와 매칭 단계, 두 단계로 구분된다. 프로파일링 단계에서 공격자는 완전한 제어권을 가진 프로파일링 장비를 이용해 비밀키와 관련된 중간값과 부채널 정보의 관계를 나타내는 템플릿을 구성한다. 이후 공격자는 매칭 단계에서 공격 대상 장비에서 수집한 소비전력을 템플릿과 비교하여 비밀정보를 찾는다[5]. 딥러닝 기반의 템플릿 공격은 프로파일링 장비에서 수집한 실제 소비전력과 중간값의 관계를 딥러닝 모델에게 학습시킨다. 이후 공격 대상 장비에서 수집한 소비전력을 학습된 딥러닝 모델에 입력하여 비밀 정보를 분석한다.

2.3 CBC 모드

CBC 모드는 Fig.1.과 같이 각 평문 블록(block)과 IV 혹은 이전 블록 암호 출력의 XOR 결과를 블록 암호에 입력하여 암호화하는 운영 모드이다. 즉, 비밀키 k를 사용하는 블록 암호를 Fk , i번째 평문 블록을 Pi라 했을 때, i번째 암호문 블록은 아래와 같이 연산된다.

\(\begin{align}C_{i}=\left\{\begin{array}{l}F_{k}\left(I V \oplus P_{0}\right), \\ F_{k}\left(C_{i-1} \oplus P_{i}\right), \text { if } i \neq 0,\end{array}\right.\end{align}\)       (1)

JBBHCB_2024_v34n5_833_3_f0001.png 이미지

Fig. 1. CBC mode scheme

이때 IV는 암호학적으로는 비밀 정보가 아니지만, 응용에 따라 비공개 정보로 활용될수 있다. 이 경우, 공격자는 비밀키를 복구하더라도 첫 번째 블록 암호문을 복호화할 수 없다.

III. 제안하는 공격 기법

3.1 CPA를 이용한 비밀키 분석

블록 암호를 대상으로 하는 일반적인 부채널 분석 연구들은 블록 암호의 입력이 기지임을 가정한다. 그런데 운영 모드에서는 평문이 다른 정보와 결합되어 블록 암호의 입력으로 사용될 수 있다. 따라서 블록 암호의 입력을 획득하기 위해서는 평문뿐만 아니라 암호문이나 IV와 같은 추가 정보가 필요할 수 있다. Fig.1.에서 볼 수 있듯 CBC 모드의 경우, 내부 함수로 사용되는 블록 암호의 입력을 얻기 위해서는 암호 알고리즘의 평문과 암호문을 모두 알아야 한다. 즉, 일반적인 CPA의 중간값인 1라운드 SubBytes 출력을 사용하기 위해서는 공격자가 평문뿐만 아니라 암호문도 획득해야 한다는 공격 가정이 필요하다.

우리는 이를 완화하기 위해 CBC 모드의 암호문 블록은 블록 암호의 암호문과 같다는 사실을 기반으로 블록 암호의 출력, 즉 암호문이 기지임을 가정하여 암호문으로부터 중간값을 계산하는 분석 방안을 설계했다. AES의 마지막 라운드는 SubBytes, ShiftRows, AddRoundKey로 이루어져 있다. 2.1장에서 기술한 것과 유사하게 선형 연산인 AddRoundKey 입력은 분석 결과로 항상 두 개의 키가 도출되며, 단순 치환인 ShiftRows 입력은 AddRoundKey 입력과 같다. 따라서 암호문과 비선형 관계인 SubBytes 입력을 중간값으로 활용한다. 제안한 중간값을 활용하여 공격자는 암호문만 기지인 낮은 공격 가정으로 비밀키를 복구할 수 있다.

제안한 중간값으로 CPA를 수행하여 획득한 키는 마지막 라운드의 암호화 키이다. AES의 라운드 키 생성 알고리즘의 특성을 활용하면 마지막 라운드 키로부터 비밀키를 복구할 수 있다. Algorithm 1.은 AES-128의 마지막 라운드로부터 비밀키를 복구하는 알고리즘이다. Algorithm 1.에서 R은 Round Index, b는 byte Index, IS는 Inverse SBox, RC는 Round Constant를 의미한다.

JBBHCB_2024_v34n5_833_4_f0001.png 이미지

Fig. 2. Inverse Key Expansion of AES-128

3.2 딥러닝을 이용한 템플릿 공격 기반 IV 분석

응용에 따라 IV는 비공개 정보로 취급될 수 있다. 이 경우, 비밀키를 분석했더라도 IV를 복구하지 못하면 전체 평문을 복구할 수 없다. 따라서 우리는 비프로파일링 환경에서 IV 복구를 위한 딥러닝 기반 템플릿 공격 방안을 제안한다. 일반적인 딥러닝 기반 부채널 분석의 경우, 복구하고자 하는 고정된 정보로 다량의 암호화를 할 때의 소비전력 집합을 수집하여 차분 딥러닝 분석(Differential Deep-Learning Anlaysis, DDLA)[6]을 수행하거나 평문과 키를 공격자가 제어할 수 있는 프로파일링 장비를 이용해 딥러닝 모델에 비밀 정보와 소비전력간의 관계를 학습시키는 템플릿 공격을 수행한다. 하지만 CBC 모드의 경우, IV와 동일한 XOR 연산을 이후 블록에서 반복하여 수행하므로 비프로파일링 환경에서도 딥러닝 모델을 학습시킬 수 있다. CBC 모드는 블록암호의 입력을 계산하기 위해 수식 (1)과 같이 평문과 IV 혹은 이전 암호문을 XOR 연산한다. 따라서 공격자가 암호문을 알고 있다면, XOR 연산 시 발생하는 단일 소비전력과 피연산자인 암호문의 관계를 신경망에게 학습시켜 IV를 복구할 수 있다. 즉, 아래와 같이 IV를 복구할 수 있다.

학습 단계: 공격자는 두 번째 블록 이후 XOR 연산 시 소비전력을 입력으로, XOR의 피연산자인 이전 암호문을 목푯값으로 하여 딥러닝 모델을 학습시킨다.

분석 단계: 첫 번째 블록 XOR 연산 시 소비전력을 학습된 딥러닝 모델에 입력하여XOR의 피연산자인 IV를 복구한다.

IV. 실험

본 절에서는 검증 실험을 위해 XMEGA128D4 칩에서 암호 알고리즘을 수행하는 부채널 분석 테스트 보드 ChipWhisperer-Lite에서 소비전력을 수집했다. 총 100,000개의 블록을 암호화할 때의 소비전력을 수집했으며, CPA 분석시에는 이 중 500개만을 사용했다. 신경망 학습을 위한 파라미터는 Table 1.과 같다.

Table 1. Deep Learning model parameters

JBBHCB_2024_v34n5_833_5_t0001.png 이미지

4.1 비밀키 분석

마지막 라운드의 SubBytes 연산 시 소비전력으로 CPA를 수행한 결과는 아래의 그림과 같다. 시점별 소비전력과 옳은 키로 연산한 중간값의 상관계수가 Fig.3.과 같다. 그림의 상단은 소비전력을, 하단은 상관계수를 도식했다. 상단에서 각 바이트 연산시의 개형이 16번 반복됨을 확인할 수 있고, 하단에서 각 개형에 해당하는 바이트의 상관계수가 높게 나타남을 볼 수 있다. 바이트 누출 순서가 0부터 15가 아닌, 0, 13, 10, 7, 4, 1, 14, 11, 8, 5, 2, 15, 12, 9, 6, 3임을 확인할 수 있는데, 이는 제안한 중간값이 SubBytes 입력이므로 마지막 라운드 Shift Rows의 영향으로 인해 연산 순서가 암호문의 순서와 상이하기 때문이다.

JBBHCB_2024_v34n5_833_5_f0001.png 이미지

Fig. 3. Point-wise absolute correlation coefficient of the intermediate values calculated by right round keys (legend: byte index)

비밀키 분석 결과를 확인하기 위해 Fig.4.에 옳은 키의 상관계수와 틀린 키의 상관계수중 최댓값의 비인 ratio를 도식했다. ratio가 높은 것은 옳은 키와 틀린 키를 명확히 구분할 수 있음을 시사한다. 분석 결과, 제안한 방법은 10라운드 키 전체를 높은 ratio로 분석할 수 있었다. CPA로 도출한 10라운드 키를 Algorithm 1.에 입력하여 비밀키를 복구할 수 있다.

JBBHCB_2024_v34n5_833_5_f0002.png 이미지

Fig. 4. Ratio of each byte (x-axis: byte index)

4.2 IV 분석

4.2.1 신경망 학습 단계

두 번째 블록 이후 XOR 연산 시 수집한 소비전력을 입력, 피연산자인 이전 암호문을목푯값으로 신경망을 학습시킨 결과가 Fig. 5.와 같다. 학습 데이터에 대한 정확도를 파란색으로, 학습에 사용하지 않은 검증 데이터에 대한 정확도를 붉은색으로 도식했다. 학습 결과, 모든 바이트에서 33% 이상의 검증 정확도를 얻을 수 있었다. 이는 딥러닝 모델이 XOR 연산 시 소비전력과 피연산자의 관계성을 적절히 학습했음을 의미한다.

JBBHCB_2024_v34n5_833_6_f0001.png 이미지

Fig. 5. Training accuracy and validation accuracy (x-axis: epoch, y-axis: accuracy)

4.2.2 분석 단계

본 절에서는 IV와 XOR 연산 시 수집한 소비전력을 학습된 신경망에 입력하여 IV를 추론했다. Fig.6.은 IV로 가능한 256개의 값 각각에 대한 신경망의 확률을 정렬했을 때, 옳은 IV의 순위를 도식한 것이다. 분석 결과, 학습된 신경망은 8개의 바이트에서 옳은 IV를 가장 높은 확률로 분류했으며, 모든 바이트에서 상위 14번째 이내의 확률로 옳은 IV를 분류했다. 이는 공격자가 평문에 대한 일부 정보를 획득할 수 있음을 의미한다. 공격자가 평문에 대한 부가 정보를 획득할 수 있는 경우, 이를 결합하여 평문 전체를 복구할 수 있다. 예컨대 평문의 암호학적 해쉬 값을 획득한 경우, 신경망의 예측 결과로 획득한 후보 평문 집합에서 평문을 복구할 수 있다.

JBBHCB_2024_v34n5_833_6_f0002.png 이미지

Fig. 6. Ranks of the right IV (x-axis: byte index)

V. 결론

본 논문에서는 블록 암호만을 대상으로 하였던 기존의 부채널 분석 연구 동향과 달리 운영모드를 대상으로 하는 부채널 분석 방안을 설립하였다. CBC 모드의 경우, 일반적인 중간값으로 CPA를 수행하려면 암호문과 평문이 모두 필요하다는 단점이 있었다.반면, 본 논문에서 제안하는 중간값은 암호문만 기지인 가정으로 CPA를 수행할 수 있어 기존의 공격 가정을 완화하였다. 실험 결과, 제안한 방법으로 암호문과 500개의 소비전력을 통한 비밀키 복구에 성공했다.

CBC 모드에서 첫 번째 평문 블록은 IV와 결합되는데, 응용에 따라 해당 정보는 비공개 정보로 취급될 수 있다. 이 경우, 공격자는 비밀키를 분석했더라도 IV에 대한 정보를 취득하지 못하면 전체 평문을 복구할 수 없다. 따라서 본 논문에서는 비프로파일링 환경에서 IV를 복구하는 딥러닝 모델 학습 방안을 제안하였다. 실험 결과 전체 바이트에서 옳은 IV는 항상 14위 이내로 분석되어 제안한 방법으로 XOR의 피연산자와 소비전력의 관계를 학습할 수 있음을 검증했다. 이를 통해 본 논문에서 설립한 부채널 분석 방안을 활용하여 암호문만 기지인 공격 가정으로 평문 정보를 복구할 수 있음을 입증하였다.

References

  1. S. Chari, J. Rao, and P. Rohatgi, "Template attacks," Cryptographic Hardware and Embedded Systems, CHES 2002, vol. 2523, pp. 13-28, Jan. 2003.
  2. P. Kocher, J. Jaffe, and B. Jun, "Differential power analysis," Advances in Cryptology, CRYPTO' 99, vol. 1666, pp. 388-397, Aug. 1999.
  3. Jayasinghe, D., Ragel, R., Ambrose, J. A., Ignjatovic, A., and Parameswaran, S, "Advanced modes in AES: Are they safe from power analysis based side channel attacks?," 2014 IEEE 32nd International Conference on Computer Design(ICCD), pp. 173-180, Oct. 2014.
  4. DJI, "SYSTMEM SECURITY: A DJI Technology White Paper," A DJI Technology White Paper, Apr. 2020.
  5. Jin-Sunghyun, Kim-Taewon, Kim-Hee Seok, Hong-Seokhie, "Power Trace Selection Method in Template Profiling Phase for Improvements of Template Attack," Journal of the Korea Institute of Information Security & Cryptology, 27(1), pp.15-23, Feb. 2017. https://doi.org/10.13089/JKIISC.2017.27.1.15
  6. Timon, B, "Non-Profiled Deep Learning-based Side-Channel attacks with Sensitivity Analysis," IACR Transactions on Cryptographic Hardware and Embedded Systems, vol. 2019, no. 2, pp.107-131, Feb. 2019. https://doi.org/10.46586/tches.v2019.i2.107-131