노혜빈, 한동국, 김주환, 김동찬,

Vol. 36, No. 1, pp. 89-98, 2월. 2026
10.13089/JKIISC.2025.35.6.89, Full Text:
Keywords: Side-Channel Analysis, Deep Learning, Profiled-Attack, Cross-Device, AdaBN
Abstract

동일 모델이라도 다른 장비를 대상으로 하는 교차 디바이스 환경에서는 장비 간 하드웨어 특성 차이로 인해 프로파일링 부채널 분석 성능이 저하될 수 있다. 본 논문에서는 이러한 환경에서 라즈베리파이 2B의 전자파 신호를 활용한 딥러닝 기반 프로파일링 부채널 분석을 수행하고, AES-128의 비밀키 16바이트를 모두 복구함으로써 실제 환경에서의 부채널 기반 키 누출 취약성을 실증하였다. 기존의 DDC(Device Discrepancy Correction)[1] 기법은 입력 신호 수준에서 평균과 분산을 정렬함으로써 장비 간 도메인 차이를 완화할 수 있으나, 신경망 내부에서 형성되는 특징 분포의 불일치를 근본적으로 해결하기에는 한계가 있다. 이에 본 논문은 공격 대상 장비의 신호를 활용하여 Batch Normalization 통계를 재추정하는 AdaBN 기반 비지도 도메인 적응 기법을 적용하였다. 실험 결과, 제안한 방법은 DDC 최적 스킴 대비 NTGE 기준 약 10.43%의 공격 성능 향상을 달성하여 교차 디바이스 프로파일링 부채널 분석에서 효과적인 성능을 보였다.

Statistics
Cite this article