Deep learning against obfuscation: boosting side-channel analysis across segmentation, attack, and defense

Side-channel attacks exploit unintended information leakage emitted by cryptographic devices to extract sensitive data. Such attacks represent a critical threat to the security of modern computing platforms, especially in the context of pervasive IoT devices that continuously process sensitive data. This thesis addresses the challenges of evaluating and enhancing the security of digital circuits against side-channel attacks, focusing on realistic scenarios and reducing the costs and complexity of the analysis. To achieve this goal, it presents an open-source framework that uses deep learning to resolve critical problems at every stage of the side-channel workflow, from trace acquisition to the development of lightweight countermeasures. Isolating and aligning cryptographic operations within side-channel traces is crucial for successful attacks. This task becomes particularly challenging in real-world scenarios where noise and countermeasures can obscure the signals of interest. A primary contribution of this thesis is Hound, a deep-learning pipeline for advancing cryptographic operations segmentation in traces highly affected by hiding countermeasures, eliminating the need for trigger infrastructure. The novel Chameleon dataset is introduced publicly to provide a realistic benchmark for evaluating segmentation and attack methodologies. Once segmented and isolated, side-channel traces can be analyzed to recover secret information. Classical attacks often struggle against traces protected by hiding techniques, which introduce significant temporal misalignment. This work explores attack strategies against dynamic frequency scaling countermeasures, introduces the DFS_DESYNCH dataset for benchmarking methodologies on highly desynchronized traces, and proposes Owl, a novel deep learning-assisted attack to tackle these challenges. Owl leverages deep learning to preprocess and realign traces, enabling effective key recovery even in the presence of significant temporal misalignment. On the defense side, the thesis investigates the impact of run-time variability, such as dynamic voltage and frequency scaling, on side-channel leakage and attack resistance. It proposes Rabbit, a hardware module for fine-grained and random frequency changes on FPGAs, and demonstrates its effectiveness through extensive experimental campaigns. Results identify frequency scaling as the most robust hiding technique among those inspected, while Rabbit demonstrates high resistance to the tested advanced attacks without compromising system performance. All the experimental campaigns leverage JARVIS, a novel open-source hardware-software framework for side-channel research on FPGA-based IoT-class systems. JARVIS provides a complete environment for configuring, monitoring, and analyzing cryptographic operations, enabling researchers to deploy and assess countermeasures with high observability and control. Overall, this thesis delivers a comprehensive workflow for side-channel analysis in realistic environments, combining open-source platforms, novel datasets, advanced segmentation and attack techniques, and innovative countermeasures. The contributions support the development of secure digital systems and provide valuable resources for the research community, advancing the state of the art in side-channel analysis.

Gli attacchi side-channel sfruttano le fughe di informazioni involontarie emesse dai dispositivi crittografici per estrarre dati sensibili. Tali attacchi rappresentano una minaccia critica per la sicurezza delle moderne piattaforme informatiche, specialmente nel contesto dei dispositivi IoT ormai onnipresenti che elaborano continuamente dati sensibili. La presente tesi affronta le sfide legate alla valutazione e al miglioramento della sicurezza dei circuiti digitali contro gli attacchi side-channel, concentrandosi su scenari realistici e sulla riduzione dei costi e della complessità dell’analisi. Per raggiungere questo obiettivo, presenta un framework open-source che utilizza il deep learning per risolvere problemi critici in ogni fase del flusso di lavoro relativo ai canali laterali, dall'acquisizione delle tracce allo sviluppo di contromisure leggere. Isolare e allineare le operazioni crittografiche all'interno delle tracce side-channel è fondamentale per il successo degli attacchi. Questo compito diventa particolarmente impegnativo in scenari reali, dove il rumore e le contromisure possono oscurare i segnali di interesse. Un contributo fondamentale di questa tesi è Hound, una pipeline di deep learning per migliorare la segmentazione delle operazioni crittografiche in tracce fortemente influenzate da contromisure di occultamento, eliminando la necessità di un'infrastruttura di triggerring. Il nuovo dataset Chameleon viene presentato per fornire un benchmark realistico per la valutazione delle metodologie di segmentazione e di attacco. Una volta segmentate e isolate, le tracce dei canali laterali possono essere analizzate per recuperare informazioni segrete. Gli attacchi classici spesso faticano contro tracce protette da tecniche di occultamento, che introducono un significativo disallineamento temporale. Questo lavoro esplora strategie di attacco contro le contromisure di ridimensionamento dinamico della frequenza, introduce il dataset DFS_DESYNCH per il benchmarking di metodologie su tracce altamente desincronizzate e propone Owl, un nuovo attacco assistito dal deep learning per affrontare queste sfide. Owl sfrutta il deep learning per pre-elaborare e riallineare le tracce, consentendo un efficace recupero delle chiavi anche in presenza di un significativo disallineamento temporale. Dal punto di vista della difesa, la tesi indaga l'impatto della variabilità in fase di esecuzione, come il ridimensionamento dinamico della tensione e della frequenza, sulla fuga di informazioni side-channel e sulla resistenza agli attacchi. La tesi propone Rabbit, un modulo hardware per modifiche di frequenza casuali e a granularità fine su FPGA, e ne dimostra l'efficacia attraverso una serie di campagne sperimentali approfondite. I risultati indicano che il ridimensionamento della frequenza è la tecnica di occultamento più robusta tra quelle esaminate, mentre Rabbit dimostra un'elevata resistenza agli attacchi avanzati testati senza compromettere le prestazioni del sistema. Tutte le campagne sperimentali sfruttano JARVIS, un nuovo framework hardware-software open-source per la ricerca sui canali laterali su sistemi di classe IoT basati su FPGA. JARVIS fornisce un ambiente completo per la configurazione, il monitoraggio e l'analisi delle operazioni crittografiche, consentendo ai ricercatori di implementare e valutare contromisure con elevata osservabilità e controllo. Nel complesso, questa tesi offre un flusso di lavoro completo per l'analisi side-channel in ambienti realistici, combinando piattaforme open-source, nuovi set di dati, tecniche avanzate di segmentazione e di attacco e contromisure innovative. I contributi supportano lo sviluppo di sistemi digitali sicuri e forniscono risorse preziose per la comunità di ricerca, facendo progredire lo stato dell'arte nell'analisi dei canali laterali.