SASCA는 여러 중간 변수의 누설 기반 사전 확률과 함수적 의존성을 신뢰전파(BP)로 결합하는 부채널 공격 기법이지만, ML-DSA의 NTT 같은 대규모 암호 연산에 적용하면 팩터 그래프가 방대해져 메모리·계산 복잡도가 감당할 수 없이 커진다. 보호되지 않은 단일 트레이스 설정에서 6계층 sub-NTT 구성요소만으로도 표준 SASCA는 약 122GB의 메모리를 요구한다. 이 논문은 전역 팩터 그래프를 관리 가능한 영역으로 나누고 영역을 점진적으로 병합하며 탐욕적 가지치기로 탐색 공간을 줄이는 GRWP-SASCA를 제안해, 보호되지 않은 ML-DSA 단일 트레이스 공격에서 메모리 오버헤드를 최대 151배 줄이고 속도는 68배 높였다. ARM Cortex-M4 실제 장치 실험에서는 보호되지 않은 구현의 비밀키를 단일 트레이스로 약 15분 만에, 최대 0.9GB 메모리로 복구했으며, 1차 마스킹된 구현도 8개 트레이스로 3.2시간 만에 약 8.1GB 메모리로 복구했다.

• •대규모 암호 연산에서 표준 SASCA의 메모리·계산 복잡도가 감당 불가능해지는 문제를 해결
• •영역 분할과 점진적 병합, 탐욕적 가지치기로 팔터 그래프 추론을 확장 가능하게 만든 GRWP-SASCA 제안
• •보호되지 않은 ML-DSA 단일 트레이스 공격에서 메모리 최대 151배 절감, 속도 68배 향상
• •ARM Cortex-M4 실제 장치에서 비보호 구현은 15분, 1차 마스킹 구현은 3.2시간 만에 비밀키 복구