이 논문은 하드웨어 물리적 결함 주입 공격의 취약점을 자동으로 찾는 온라인 하드웨어인더루프 플랫폼 'GlitchLab'을 제안한다. GlitchLab은 지연시간을 타이밍 게이트로, 전압과 펄스 지속시간을 심각도 제어 변수로, 하드웨어 결과를 구조화된 피드백으로 다뤄 Q러닝 기반 강화학습 탐색 기법 'RL-Q'와 모델 기반 재현 정책 'SOBAS'를 구현했다. AES, 패스워드, 제어흐름 공격 캠페인 모두에서 목표 결함을 찾아냈고, AES와 제어흐름에서는 기준선보다 2~85배 적은 시도와 26~1237배 짧은 시간으로 성공했으며, 패스워드 공격에서는 기준선이 5000회 시도 내에 실패한 반면 두 정책 모두 성공했다. 결함 발견 후 SOBAS는 7.3~21배 더 자주 결함을 재현했고, RL-Q는 30% 더 많은 서로 다른 AES 설정을 식별했다.
- •GlitchLab, 물리적 결함 주입 취약점을 자동 탐색하는 온라인 하드웨어인더루프 플랫폼
- •Q러닝 기반 RL-Q와 모델 기반 SOBAS 두 정책으로 결함 발견·재현 수행
- •AES·제어흐름 공격에서 기준선 대비 2~85배 적은 시도, 최대 1237배 빠른 시간
- •패스워드 공격에서 기준선은 5000회 시도 내 실패했지만 두 정책 모두 성공
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
GlitchLab: A Hardware-in-the-Loop Optimizer for Physical Fault Injection
- 1.물리적 결함주입 탐색을 자동화하는 하드웨어인더루프 플랫폼 GlitchLab 제안
- 2.RL-Q(Q러닝 강화학습)와 모델기반 정책 SOBAS 두 탐색기법으로 AES·비밀번호·제어흐름 공격 모두 성공
- 3.기존 베이스라인 대비 시도횟수 2~85배·소요시간 26~1237배 단축
- 4.SOBAS는 결함 재현율 7.3~21배 향상, RL-Q는 30% 더 많은 AES 설정 식별
왜 중요한가?
제한된 하드웨어 피드백 속에서 유효한 결함 설정을 찾는 탐색 효율을 극적으로 높여, 임베디드 기기의 물리적 공격 취약성 평가와 방어 검증을 훨씬 빠르게 만든다.
언급 프로젝트
본문 미리보기
arXiv:2609.00502v1 Announce Type: new Abstract: Physical fault injection can turn brief hardware disturbances into security failures such as key recovery, authentication bypass, and unintended control flow. Finding effective faults is difficult because many interacting parameters create a large search space, successful settings are sparse and target-dependent, and each hardware attempt provides limited feedback. Under fixed testing time, efficient search is therefore critical for assessing faul
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
