이 프로젝트는 Prime+Probe 계열의 캐시 사이드채널 공격을 식별하기 위해, 그래프 신경망(GNN) 을 활용한 딥러닝 기반 탐지 기법을 제안합니다. 시간에 따라 수집된 하드웨어 이벤트를 100ms 간격의 슬라이딩 윈도우로 분할하고, 각 구간을 하나의 노드로 표현한 뒤, 인접한 시간 구간들 간에 간선을 연결하여 단일 그래프를 구성합니다. 이렇게 모델링된 그래프를 기반으로, 각 노드에 대해 정상 또는 공격 여부를 분류합니다.

• 도구: perf stat -I 100
• 이벤트 종류: cache-references, cache-misses, branches, branch-misses
• 샘플링 주기: 100 ms
• 수집 시간: 각 상황(NORMAL/ATTACK)마다 약 30 초
• 형식: time, event, count

• 공격 종류: Prime+Probe
• 공격 시뮬레이션 코드:

for i in range(100000000):
    x = i * i % 10000

• 반복적·규칙적인 메모리 접근으로 cache-misses가 빈번하게 발생
• 캐시 미스 비율이 일정하게 높게 유지(약 7 % – 17 %)

• 불규칙한 메모리 접근 패턴으로 cache-misses 비율이 상대적으로 낮고 가변적
• 캐시 미스 비율이 낮고 불규칙하게 변동(약 6 % – 17 %)

1. 수집 데이터를 100 ms 단위로 그룹화하여 각 구간을 노드로 생성
2. 각 노드는 네 가지 이벤트(cache-references, cache-misses, branches, branch-misses)의 카운트를 피처로 보유
3. StandardScaler로 모든 피처를 표준화
4. 인접 시간 구간을 연결해 단일 그래프 구성
5. 각 노드에 정상/공격 레이블 부여

시간 흐름 및 노드 간 유사성을 동시에 고려할 수 있어, 하드웨어 이벤트 기반 공격 탐지에 GNN이 가장 적합합니다.

• 2× GCNConv
• 첫 레이어 후 ReLU & Dropout

• 2× GATConv (Multi‑head Attention)
• 첫 레이어 후 ELU & Dropout

• 2× SAGEConv
• 첫 레이어 후 ReLU & Dropout

• 2× Fully Connected
• 첫 레이어 후 ReLU & Dropout

GAT가 가장 높은 F1‑score를 기록했으며, 모든 GNN 계열 모델이 MLP 베이스라인을 크게 상회했습니다.