Квантовые вычисления обещают революционные достижения в области вычислительных мощностей, с возможностью взломать классическую криптографию и переосмыслить будущее безопасных связей. Однако, по мере того как квантовые компьютеры становятся все более практичными, риски кибербезопасности, связанные с их эксплуатацией, требуют большего внимания. Среди них — атаки на побочные каналы — методы, собирающие информацию из непреднамеренных утечек (таких как потребление энергии или вариации времени), а не из прямого доступа к квантовым алгоритмам или данным.
В этом техническом руководстве мы исследуем увлекательный и развивающийся мир атак на побочные каналы энергии квантовых компьютеров. Мы обсудим:
Квантовые компьютеры используют квантово-механические явления — такие как суперпозиция и запутанность — для выполнения вычислений, которые невозможны для классических систем. Эти компьютеры манипулируют кубитами, которые могут представлять и 0, и 1 одновременно, экспоненциально увеличивая возможные вычислительные результаты.
В своей основе атаки на побочные каналы (SCAs) используют физические утечки или наблюдаемые характеристики системы, в отличие от логических или математических уязвимостей. Обычные побочные каналы в классических вычислениях включают:
В квантовых вычислениях эти побочные каналы представляют собой новые поверхности для атак, которые ранее не учитывались.
Классические побочные каналы фокусируются на сигналах на уровне микропроцессоров, часто на устройствах, таких как смарт-карты, FPGA или ЦП. Злоумышленники могут делать выводы о секретных ключах или других конфиденциальных данных, наблюдая за поведением мощности или времени.
Квантовые побочные каналы нацелены на уникальные физические реализации квантовых компьютеров, включая сверхпроводящие схемы, лазеры или ловушки ионов, используемые для манипуляции кубитами.
Ключевые отличия включают:
В первой в мире демонстрации исследователи показали, что атаки на энергопобочные каналы действительно могут быть эффективными против квантовых компьютеров. До этой работы атаки на SCAs считались в основном проблемой классических вычислений.
Основные моменты исследования:
Ключевой вывод: Даже без прямого доступа к квантовому процессору, простое наблюдение за энергетическим профилем поддерживающего оборудования открывает новый вектор атаки.
Для понимания практической возможности таких атак давайте разберём основной механизм:
Рассмотрим простую квантовую схему, чередующую различные операции вентили. Каждая операция оставляет уникальную "подпись" в аналоговом мощностном следе:
sequenceDiagram
participant Attacker
participant PowerTap
participant QuantumControlUnit
participant Qubit
Attacker->>PowerTap: Подключает зонд
PowerTap->>QuantumControlUnit: Мониторит мощность
QuantumControlUnit->>Qubit: Выполняет операции (X,Y,H)
PowerTap->>Attacker: Отправляет мощностные следы назад
Attacker->>Attacker: Анализирует для извлечения типов вентилей
Коммерческие платформы облачных квантовых вычислений (такие как IBM Q Experience) позволяют удалённым пользователям запускать квантовые схемы. Новый тип атак на временные SCAs демонстрирует, как общая облачная инфраструктура открывает квантовые системы для утечек информации.
Основная идея атаки:
Практические результаты:
Исследователи показали, что атаки на временные SCAs могут извлекать архитектурные знания и в некоторых случаях даже идентифицировать, какой квантовый алгоритм (например, Гровера, Шора) выполнялся другой стороной.
Исследовательская программа Германского федерального агентства революционных инноваций “Атаки на побочные каналы с использованием квантовых сенсоров” (SCA-QS) уходит ещё глубже: изучает, как передовые квантовые датчики могут улучшить возможности и чувствительность атак на побочные каналы на микросхемах — включая, но не ограничиваясь, квантовыми устройствами.
Квантовые датчики превосходят классические сенсоры в измерении чрезвычайно слабых сигналов (таких как слабые магнитные поля, незначительные изменения температуры или ультрабыстрые переходы напряжения). Эти сенсоры могли бы:
Последствия:
По мере улучшения квантовых сенсоров даже "физически изолированные" квантовые компьютеры или криптографическое оборудование могут стать уязвимыми для более тонких атак на побочные каналы — увеличивая ставку на киберзащиту будущего.
Квантово-устойчивая криптография (криптография после квантовых вычислений) нацелена на защиту от атак квантовых компьютеров на классические криптографические алгоритмы. Однако, как показывают эти исследования, квантовые компьютеры сами по себе могут иметь уникальные, неожиданные уязвимости.
Ключевые последствия:
Ниже мы рассмотрим основные техники для сбора и анализа данных о энергопобочных или временных каналах в условиях исследования или команды по безопасности.
Уведомление об этике: Следующие примеры предназначены только для образовательных и авторизованных целей тестирования. Всегда придерживайтесь законных и этических норм.
Используйте устройства, такие как:
Предположим, что вы подключили USB-осциллограф или логический анализатор, который выводит журналы в формате CSV.
# Начать сеанс измерения на 5 секунд; вывод в CSV файл
./acquire_scope --device /dev/ttyACM0 --time 5 > power_trace.csv
Давайте представим простой след мощности и разберём его:
import matplotlib.pyplot as plt
import pandas as pd
# Загрузка CSV со следом мощности (с колонками: время, напряжение)
df = pd.read_csv('power_trace.csv')
plt.figure(figsize=(15,4))
plt.plot(df['time'], df['voltage'])
plt.title('След мощности потребления квантовой схемы')
plt.xlabel('Время (с)')
plt.ylabel('Напряжение (В)')
plt.show()
Предположим, у вас есть два типа последовательностей вентилей; можно усреднить следы для идентификации характерных различий.
import numpy as np
# Предположим, у нас много следов
trace1 = np.loadtxt('trace_hadamard.csv')
trace2 = np.loadtxt('trace_xgate.csv')
diff = np.mean(trace1, axis=0) - np.mean(trace2, axis=0)
plt.plot(diff)
plt.title('Дифференциальный след: вентиль Адамара против X-вентиля')
plt.show()
Если у вас есть доступ только к квантовому API (например, IBM Q), вы можете измерять время выполнения заданий, чтобы вывести состояние системы.
for i in {1..100}
do
START=$(date +%s%N)
ibm_q_submit my_circuit.qasm
END=$(date +%s%N)
ELAPSED=$(( (END - START) / 1000000 ))
echo "$i,$ELAPSED" >> timings.csv
done
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('timings.csv', names=['iter','ms'])
plt.hist(df['ms'], bins=30)
plt.title('Распределение времени выполнения квантовых заданий')
plt.xlabel('Время (мс)')
plt.ylabel('Частота')
plt.show()
Инсайт по побочному каналу: Внезапные пики или сдвиги могут коррелировать с другим пользователем, который запускает крупные/сложные задания, раскрывая чувствительные модели использования системы.
По мере развития квантовых вычислений атаки на побочные каналы представляют собой растущую и недооцененную поверхность угроз. Первые успешные атаки на побочные каналы энергии на квантовых компьютерах доказали, что квантовое превосходство не означает абсолютную безопасность. Уроки, извлеченные из обороны от атак на классические побочные каналы, теперь должны быть распространены и существенно переосмыслены для квантовой эпохи.
Исследователи и практики должны считать физический уровень квантовых компьютеров частью поверхности атак. С более продвинутыми атакующими, использующими квантовые сенсоры и анализ времени, организации должны принять новые парадигмы защиты. Оngoing collaboration between architects of quantum computers, cybersecurity experts, and physicists will be crucial to ensure safety tomorrow's quantum-powered world.
Этот пост ведёт вас от основных знаний к продвинутым случаям использования в развивающейся области атак на побочные каналы квантовых компьютеров. Пожалуйста, поделитесь вашими комментариями, мыслями или вопросами ниже!
Если вы нашли этот контент ценным, представьте, чего вы могли бы достичь с нашей комплексной 47-недельной элитной обучающей программой. Присоединяйтесь к более чем 1200 студентам, которые изменили свою карьеру с помощью техник Подразделения 8200.