时序攻击是侧信道攻击的一种,观察者通过系统执行操作所需的时间来推断机密信息。可观测的时间可能是一次完整网络响应的耗时、一次内存访问的延迟,也可能是某项特定计算的持续时间。当这些测量结果取决于密码密钥、口令或受保护文档等秘密信息时,就会发生信息泄露。即使系统返回了正确结果,并严格执行了文档中规定的访问规则,仍可能通过时间差异泄露信息。
时序攻击之所以重要,是因为数学层面的安全并不自动意味着实现层面的安全。一种加密方案可能能够抵御针对其数学构造的攻击,但如果其实现根据秘密值选择不同的执行分支,或访问由秘密值决定的内存位置,就可能变得易受攻击。类似问题也存在于密码学之外的领域,包括账户是否存在的检查、浏览器隔离以及共享计算基础设施。
攻击是否可行,取决于秘密信息与可观测时间之间的关系、攻击者具备的访问能力、环境的稳定性,以及能够获取的测量数据量。因此,相关研究横跨算法、处理器体系结构、网络行为、统计推断和软件验证等领域。防御措施旨在消除依赖秘密信息的可观测行为,或阻止攻击者以足够高的精度测量这些行为。
信息泄露与攻击者模型
仅有执行时间的变化,并不足以构成时序攻击。这种变化必须携带本应保密的信息,而且攻击者必须能够观察到这种变化所产生的、可供利用的结果。一个耗时取决于公开输入的排序程序,并不一定存在安全漏洞。但如果输入包含受保护的记录,而观察者能够利用耗时区分这些记录的某些属性,同样的时间变化就与安全有关了。
一个简单的模型将观测结果表示为
其中, 是秘密, 是输入或请求, 是环境状态, 表示测量噪声。攻击者试图通过对 的观测,区分 的候选值或属性。环境状态包括缓存内容、调度决策、处理器频率以及其他活动。这个模型是一种抽象:噪声可能与输入或环境条件相关,而不是一个独立的加性量。
威胁模型决定了观察者能够控制什么。远程攻击者可以通过互联网提交请求并测量响应时间。本地攻击者可以在同一台机器上运行非特权程序,并对共享资源进行测量。在云环境中,攻击者控制的虚拟机可能与目标共用硬件,但不共享地址空间。物理访问可以实现更精确的观测,但通常并不是实施时序攻击的必要条件。
攻击者可以被动观察目标的活动,也可以主动选择输入,以影响目标的执行过程。重复测量能够揭示微小差异,而精心选择的输入则有助于区分关于某个秘密的不同假设。有些攻击可以恢复完整的密钥;另一些攻击只能揭示某个判断条件是否成立,例如某个账户是否存在、某个文件是否已缓存,或者某项特定计算是否发生过。即使是这种局部信息泄露,也可能破坏身份认证或损害隐私。
时序泄漏既不同于一般的性能问题,也不同于竞态条件。竞态条件涉及的是取决于并发事件先后顺序的行为;时序攻击关注的则是从测得的行为中推断出的信息。此外,区分直接时序信道和间接时序信道也很有用:前者通过观察受害者操作的持续时间获取信息;后者则是受害者改变了共享状态,攻击者随后对另一项操作进行计时。两者都可能泄露秘密,但对访问能力的要求和相应的防御措施有很大差别。
软件和硬件中时序变化的来源
最直接的泄漏来源是依赖秘密数据的控制流。比较例程可能在遇到第一个不相等的字符时就停止,因此其运行时间取决于匹配前缀的长度。算术例程可能仅在中间值超过某个阈值时才执行一个额外分支。迭代次数取决于机密数据的循环也可能暴露类似的信息。这些行为往往自然产生于常见的性能优化,而非出于泄露数据的明确意图。
算术运算是另一个来源。数学描述通常将乘法、除法和模约减视为基本运算,但实际执行成本取决于处理器及具体实现。大整数运算软件可能根据操作数的大小选择不同算法,跳过前导零字,或有条件地执行校正步骤。即使每条机器指令的执行延迟都保持稳定,指令的数量和执行顺序仍可能取决于由秘密数据计算出的中间值。
存储层次结构会间接造成时序变化。CPU 缓存将最近使用过的内存数据存放在靠近处理器的位置,使许多访问比从更低层存储中读取更快。如果秘密数据决定了读取哪个表项,也就可能决定了加载哪条缓存行。观察者无需读取受保护的内存本身,就可能检测到这种变化。地址转换缓存、分支预测器及其他微体系结构组件也可能产生类似的依赖关系。
执行时间还反映了程序与操作系统及其他程序之间的交互。调度、缺页、内存分配、锁、存储活动和垃圾回收都可能影响请求延迟。这些效应往往会掩盖较微弱的、依赖秘密数据的信号,但它们本身也可能成为信号。例如,某项受保护的操作可能仅针对某一类输入,才会触发页面加载,或使某个共享服务执行额外工作。
因此,源代码执行路径长度相同,或渐近时间复杂度相同,都不足以证明时序安全。两个例程的运行时间都可以是 ,却仍会因秘密数据不同而产生可测量的时间差异。反过来,公开输入的长度也可能合理地改变执行时间,而不泄露额外的机密信息。安全分析必须明确哪些输入是公开的、哪些是秘密的,以及攻击者能够观察到哪些实现行为。关键不只是执行时间是否变化,而是在给定条件下,其可观测分布是否会随受保护信息而变化。
密码学中的计时攻击及其发展
保罗·科赫于1996年发表的论文《针对 Diffie-Hellman、RSA、DSS 及其他系统实现的计时攻击》,使计时分析成为公钥密码学中一项重要的现实安全问题。其核心洞见在于,单次操作的开销差异可以累积起来,使完整计算的耗时出现可测量的差异。攻击者将观测到的耗时与根据候选秘密值预测的耗时进行比较,就能在不直接观察内部算术运算的情况下提取信息。
一个经典例子是模幂运算,即计算 。RSA密码系统的实现在执行私钥操作时会进行相关计算。在简单的平方乘实现中,乘法操作的序列取决于指数的各个比特。即使移除了明显依赖秘密值的分支,模约减或大整数运算仍可能造成额外的信息泄露。因此,替换一种算法模式,并不一定能消除所有与秘密值相关的耗时差异。
远程利用的意义在2003年变得更加明确。当时,戴维·布鲁姆利和丹·博内在实验环境中,演示了针对基于 OpenSSL 的服务器的可行网络计时攻击。这一结果表明,网络噪声并不会自动掩盖实现中的信息泄露。但它并未证明所有 RSA 部署都存在可被远程利用的漏洞:攻击结果取决于软件、算术运算行为、测量条件以及可发起的查询。尽管如此,这项研究仍对“计时攻击必须在物理距离很近的条件下才能实施”这一假设提出了挑战。
对称密码则面临另一类实现问题。过去,高级加密标准的高速实现经常使用查找表,其索引值由明文和密钥材料共同派生。缓存效应可能使这些查表操作的耗时呈现出可观测的差异。丹尼尔·伯恩斯坦于2005年开展的针对 AES 的缓存计时攻击研究,以及达格·阿尔内·奥斯维克、阿迪·沙米尔和埃兰·特罗默于同年开展的研究,都帮助揭示了这一攻击面的重要性。这一弱点涉及特定实现和执行环境,而非从数学上破解了 AES。
协议处理可以放大细微得多的差异。2013年,纳德姆·阿尔法丹和肯尼·帕特森提出了 Lucky Thirteen 攻击,这是一种针对传输层安全协议某些 CBC 模式实现的计时攻击。尽管这些实现尝试返回统一的错误,填充与消息认证处理中的相关差异仍产生了可测量的信号。这一案例说明,密码系统的计时安全必须覆盖整个处理流程:解析、填充验证、认证、算术运算和错误处理之间都可能相互影响。仅仅安全地实现某个密码原语,并不能使围绕它编写的协议代码也具备与秘密值无关的执行时间。
缓存观测与瞬态执行
基于缓存的计时攻击往往测量攻击者自身操作的耗时,而不是受害者计算过程的总时长。受害者首先通过正常的内存访问改变缓存状态,随后攻击者测量访问延迟,以推断发生了哪些变化。由此形成了一条跨越保护边界的间接观测信道:这些边界限制了对内存内容的访问,却未能完全隔离与性能相关的状态。
两种影响广泛的技术是 Prime+Probe 和 Flush+Reload。大体而言,Prime+Probe 观测的是对缓存容量或缓存组的争用,而 Flush+Reload 观测的是特定的共享内存行是否被访问过。Flush+Reload 通常依赖合适的共享物理内存,以及驱逐相应缓存行或使其失效的手段。Prime+Probe 无需共享内存页也能奏效,不过其分辨率和实际实施条件取决于缓存的组织方式与数据在缓存中的放置方式。
尤瓦尔·亚罗姆(Yuval Yarom)和卡特里娜·福克纳(Katrina Falkner)于 2014 年开展的 Flush+Reload 研究,展示了对缓存活动的高分辨率观测能力,以及这种能力与密码学实现的关联。这类研究表明,地址空间的隔离并不一定意味着可观测的微架构行为也彼此隔离。共享库、页面共享、同时执行以及不同缓存层级的组织方式,都可能影响攻击者能够观测到什么。仅用“共享一个 CPU”之类的说法,无法概括所有这些条件。
计时信道在推测执行攻击中也起着核心作用。现代处理器可能在尚未确定某些指令是否属于最终正确的程序执行路径之前,就执行这些指令。当预测错误时,处理器会丢弃体系结构层面的执行结果,但某些微架构影响可能仍然存在。2018 年披露的 Spectre 攻击表明,瞬态执行的操作能够影响基于缓存的信道,进而泄露信息。计时测量是信息泄露的机制;推测执行则提供了一种产生与秘密信息相关的状态的途径。
不应将这些攻击视为可以等同看待的手段。传统的缓存攻击无需诱发瞬态执行,就能观测正常的密码学运算。瞬态执行漏洞则可能需要错误训练、特定指令序列,或其他与具体处理器有关的条件。体系结构层面的访问检查、缓存分区、推测执行限制和常数时间软件,分别应对这一领域中的不同环节。禁用某个功能或消除某种共享机制,可能会阻断一种特定技术,却让另一条信道保持畅通。因此,分析时需要区分三个环节:接触机密数据的操作、记录其影响的共享状态,以及使这种影响能够被观测到的测量过程。
远程服务、身份认证与网页隐私
网络服务会在完整的请求与响应交互过程中暴露时序信息。观测到的耗时包括传输、排队、应用程序执行以及响应送达所需的时间。这些环节可能掩盖内部的微小时间差异,但只要与秘密相关的时间效应足够稳定、显著或可重复,远程攻击仍然可能实现。因此,网络距离是一项环境因素,而不是绝对的安全边界。
身份认证是一个常见的例子。登录服务可能立即拒绝未知用户名,却对已知用户名执行开销较大的密码验证操作。虽然两种请求都会得到相同的错误消息,但其响应时间的分布可能不同。这可能在不泄露密码的情况下暴露账户是否存在。这里的秘密是该服务用户群体的某项属性,泄露源于请求处理流程的结构,而非加密算法的缺陷。
令牌和认证值的比较也存在类似问题。如果某个例程一发现不匹配就立即返回,其执行的工作量就可能与匹配前缀的长度成正比。如果被比较的值是秘密的消息认证码或其他认证令牌,这种时间变化就可能泄露超出预期相等性判断结果的信息。不过,实际能否利用这一点,取决于时间差异的大小、允许发起的请求数量,以及其他相关行为。发现比较操作的耗时不固定,并不等于已经证明能够通过远程攻击完整恢复令牌。
网页浏览器可能暴露更多时序关系。已缓存资源与未缓存资源的加载表现可能不同,需要身份认证的资源与无需身份认证的资源也可能表现不同。跨源限制可以阻止页面读取响应正文,却仍可能让某些加载或完成状态的特征被观察到。由此造成的隐私泄露风险,取决于浏览器策略、资源分区机制、事件的可观察性,以及攻击者能否构造合适的观测环境。
围绕数据库、文件存储或应用程序编程接口构建的服务,可能通过提前退出、缓存命中、索引行为和授权检查泄露信息。例如,搜索操作执行的工作量,可能因受保护记录是否满足某个初始条件而有所不同。这并不意味着所有依赖数据的查询都是同等重要的攻击面。有意义的评估需要明确哪些信息属于机密、攻击者能够发起哪些请求,以及测得的差异是否泄露了授权响应之外的信息。此外,还必须将响应大小、连接复用和后端路由的影响,与归因于秘密的时序效应区分开来。
测量、统计推断与实验局限
计时分析本质上是一个推断问题。由于常规系统存在相当大的波动,单次观测通常不足以证明某种差异与秘密信息有关。研究人员会在不同的对照条件下收集测量数据,考察其分布差异是否符合所提出的泄漏机制。研究目标可能是检测依赖关系、区分两个假设,或对多个候选秘密值进行排序;这些属于不同的实验任务。
在对两类样本进行简化比较时,样本均值之差为
在独立采样的前提下,其不确定性取决于各类内部的方差和样本量。如果每一类的方差均为 ,且各有 次观测,那么均值之差的标准误差约为 。这解释了为什么重复观测能够揭示微弱信号:不确定性会随着样本量的增加而减小。但这并不意味着,在不断变化或受到速率限制的环境中,可以达到任意高的精度。
实际测量往往不符合这一简单模型。网络延迟可能呈重尾分布,请求之间可能存在相关性,系统负载也可能随时间发生漂移。处理器温度和频率管理机制都可能改变计时基线。测量顺序也可能造成虚假关联,例如在系统空闲时测试一类样本,而在系统繁忙时测试另一类样本。交错安排不同的测试条件、记录环境信息,以及开展相互独立的重复实验,有助于区分可复现的泄漏与实验假象。
统计显著性必须与实际可利用性区分开来。能够检测到的差异,并不一定能让攻击者在查询次数预算内获取有用的秘密信息。反过来,将所有观测值汇总为单一均值,也可能掩盖那些通过相关性、条件分布或罕见事件才能显现的泄漏。研究人员可能根据具体机制采用假设检验、似然模型、回归分析或分类器。检验大量候选假设还会带来额外的假发现和过拟合风险。
还需要进一步区分泄漏检测与经过验证的秘密恢复。某项检验可能表明,不同秘密类别对应的计时分布存在差异,却仍无法确定究竟有多少信息可以恢复。更有力的证据,是在明确规定的访问模型下,对独立生成的秘密实现可复现的推断。因此,计时研究会报告硬件、软件版本、查询次数、网络配置和成功率等因素。在安静的实验室机器上获得的结果,不能自动推广到公共服务;而在噪声较大的实验中未能发现泄漏,也不能证明换一个观测者、输入分布或硬件平台后仍然观察不到泄漏。
常数时间编程与协议层防御
软件层面的核心防御手段是常数时间编程。在密码学的通常语境中,这并不要求每次执行所耗的纳秒数完全相同,而是要求在明确的执行模型下,相关的可观察行为与秘密信息无关。公开的消息长度可以影响运行时间;但秘密密钥不应决定攻击者能够观察到的分支、内存地址或延迟可变的操作。
常见的实现策略包括采用固定结构的算术运算、与秘密信息无关的内存访问模式,以及在比较固定长度的值时检查所有元素,而不是在遇到第一个不匹配项时就停止。按位选择可以替代某些依赖秘密信息的分支,位切片密码实现则可以用逻辑运算替代表查找。专用处理器指令能够消除软件查找表带来的重要侧信道。不过,这些指令的安全性仍取决于处理器本身,以及周边代码处理密钥、输入和错误的方式。
对于公钥运算,密码学盲化通过引入在数学上受控的随机性,减弱中间计算与攻击者选定的输入或秘密信息的固定表示之间的直接关联。RSA 消息盲化就是一个典型例子。盲化与常数时间算术所解决的问题有所重叠,但并不相同:将计算随机化,并不能证明实现中所有依赖秘密信息的行为都已消除,而对随机化过程的不安全处理还可能引入其他弱点。安全的实现通常会结合使用多种技术。
在协议层面,等价的失败情形需要具有相近的处理行为,而不只是返回相同的错误字符串。填充检查、认证码验证、解析和账户查询都可能造成可区分的差异。防御措施可以调整处理流程,使无效请求不会触发明显的提前退出,同时保持正确的身份认证语义。整个对外可观察的执行路径都很重要,包括日志记录、重试以及对后端服务的调用。将计时差异从一个函数转移到另一个函数,并不能消除这一信道。
固定响应延迟和随机抖动都有明显的局限。只有当最终的响应时序不会暴露底层处理是否超出预留时限时,延迟才能掩盖时间变化。随机噪声通常可以通过重复观测和统计分析来削弱,而且加入噪声并不能消除底层的依赖关系。速率限制、隔离和监控可以限制观测,但无法让存在漏洞的代码变成常数时间代码。有效的纵深防御会区分两类措施:一类消除信息泄漏,另一类只是提高利用成本或减少利用机会。
验证、编译器行为与平台边界
仅凭源代码很难确立计时安全性。编译器会保留其语言和优化模型所要求的功能行为,但通常意义上的功能等价未必涵盖侧信道行为。优化可能将精心编写的操作替换为另一套指令序列、引入分支,或识别出某种模式并将其替换为库函数调用。因此,源代码层面的论证必须将生成的可执行程序及其指令所依赖的假设纳入考量。
动态测试能够发现若干重要类别的缺陷。计时分布测试会比较不同秘密值类别下的执行情况,而插桩工具则可以标记依赖秘密值的分支或内存访问。这些方法回答的是不同的问题。即使某台机器掩盖了某个分支依赖所产生的计时效应,分支检测工具仍能识别出这种可疑依赖;计时测试则可能检测到无法解释的差异,却无法定位导致差异的指令。两者都不能保证未经测试的输入、路径或平台是安全的。
形式验证可以在指定模型内确立更强的性质。常数时间分析通常会跟踪秘密值是否影响控制流或地址。表达能力更强的方法则对两次公开输入相同、秘密值不同的执行进行关系推理。所期望的结果是:模型允许观察到的现象无法区分。这与信息流安全密切相关,但结论的强弱取决于形式模型涵盖了哪些可观测现象。
硬件是此类证明的一项关键边界。如果模型假定每条算术指令的延迟固定不变,就可能无法涵盖指令延迟取决于操作数的处理器。仅限于架构层面执行的模型,可能会遗漏瞬态效应、资源争用或频率变化。2022 年披露的 Hertzbleed 通过实际演示的攻击,展示了依赖数据的功耗如何与动态频率调节相互作用,进而产生计时泄漏。这一结果说明,即使源代码中不存在依赖秘密值的分支和地址,也不意味着在物理层面获得了无条件的安全保证。
部署也会改变这一边界。某个例程在一种处理器配置下可能是安全的,但在共享资源、编译器版本、库构建方式或虚拟化策略的另一种组合下,却可能暴露于攻击。因此,安全性声明需要明确界定平台、观察模型和公开输入集合。验证工具、编译器支持、处理器文档和实证测试能够提供相互补充的证据。仍待解决的技术挑战是:如何在所有这些层次之间保持有实际意义的保密性质,同时又不通过假设排除攻击者恰恰能够测量到的实现行为。