Sårbarheter och hotanalys från sidokanaler med maskininlärning i fokus

Under det senaste decenniet har cyberattacker flyttat från att existera högt upp i programvarustacken till att även appliceras på den underliggande fysiska implementeringen.

Trots det växande erkännandet av problemet saknades länge allmänna lösningar för att säkra de fysiska enheter som är i användning. I detta projekt undersöktes hur automatiserade verktyg och maskininlärning kan utnyttjas för att extrahera hemlig information från fysiska implementationer via läckage från olika sidokanaler. Särskilt fokus låg på realistiska angreppsscenarier med begränsad åtkomst till enheter samt på attacker mot moderna kryptografiska implementationer, inklusive post-kvantkryptografi.

Projektet visade att många etablerade motåtgärder ger svagare skydd än tidigare antagits, och att maskininlärningsbaserade metoder möjliggör effektiva attacker med mycket få mätningar. Flera nya attackmetoder utvecklades och verifierades experimentellt, vilket påvisade sårbarheter i såväl klassiska som nya post-kvantkryptografiska system. Resultaten belyser behovet av mer robusta, flerskiktade försvarsstrategier samt förbättrade metoder för säkerhetsutvärdering. En detaljerad redovisning av metodik och resultat finns i projektets slutrapport.