AES Algoritmasına Yapılan Zaman Odaklı Önbellek Saldırılarının Makine Öğrenmesi ile Tespiti

Özet

Yan kanal saldırıları, hedeflenen sistemdeki şifreleme işlemlerihakkındaki yan kanal bilgisi veya bilgi sızıntısı olarak adlandırılan dolaylıbilgileri kullanır. Bu bilgiler, saldırıları sistem üzerinde oldukça etkilikılar. Bu çalışmada, zaman bilgisini birincil ve önbellek bilgilerini ikincilyan kanal kanal bilgisi olarak kullanan zaman odaklı bir önbellek saldırısıincelenmektedir. Zaman odaklı yan kanal saldırısını gerçekleştirmek için hedefolarak AES algoritması seçilmiştir. Gerçekleştirilen zaman odaklı yan kanalsaldırısı, AES algoritmasının son döngüsündeki gizli anahtarı elde etmektedir.Sistemin zayıf yönlerini belirlemek için ikincil kanallardan bilgi çıkarmakiçin makine öğrenmesi ve derin öğrenme modelleri kulanılmıştır. Saldırısırasında oluşturulan zaman profilleri üzerinde ağaç modelleri kullanılarak,saldırının en önemli yan kanal bilgileri değerlendirilmiştir. Karar Ağacı,Rastgele Orman, Gradyan Arttırma Modelive Ekstrem Gradyan Arttırma algoritmaları veri işleme görevine çok duyarlıolduklarından, ağaç tabanlı modeller olarak seçilmiştir. Analiz sonuçları,"ortalama döngü" bilgilerinin zaman odaklı önbellek saldırılarındaetkili olduğunu göstermektedir. Ayrıca, Ekstrem Gradyan Arttırma algoritmasıdaha iyi sonuçlar vermiştir. Buna ek olarak, saldırı esnasında elde edilenzaman bilgileri saldırı tespiti amacıyla kullanılmıştır. Saldırı tespit etmedederin öğrenme yöntemlerinin oldukça başarılı olduğu gözlemlenmiştir.

Abstract

Side-channel attacks use indirect information about cryptographic operations from the targeted system. This makes the attacks highly effective on the system. In this paper, we investigate the time-based cache attacks that use the time feature and cache information as secondary channel information. We selected AES algorithm to accomplish the timebased side channel attack. The target of the attack is the secret key in the last cycle of AES algorithm. We used machine learning models to extract information from secondary channels to determine vulnerabilities of the targeted system. We applied tree models on time profiles created during the attacks to evaluate the most significant characteristics of the attack. Since Decision Tree, Random Forest, Gradient Boosting, and Extreme Gradient Boosting algorithms are very sensitive to tasks that require high processing, we selected these algorithms. Analysis results show that "cycle on average" information helps to predict the timedriven cache attacks. Moreover, Extreme Gradient Boosting algorithm provides better results than other algorithms. We used the time information extracted during attacks for detection purposes. Experimental evaluations show that deep learning methods provide better detections for time based cash attacks than other machine learning algorithms.