Ruhr-Uni-Bochum

DFG-Förderung für Forschungsprojekt im Bereich Nano-Security

"RAINCOAT - Randomization in Secure Nano-Scale Microarchitectures" ist eine Zusammenarbeit von Lucas Davi und Tim Güneysu.

Copyright: CASA

In vielen Bereichen ist der Einsatz von Nano-Technologien heutzutage unerlässlich geworden, um effektive und energie-effiziente Ergebnisse zu erzielen – auch innerhalb der Informationstechnologie. Diese Schnittstelle zwischen Hardware und Software ist in den letzten Jahren jedoch immer wieder Ziel von Angriffen geworden. Das kooperative Forschungsprojekt „RAINCOAT - Randomization in Secure Nano-Scale Microarchitectures“ von Prof. Tim Güneysu (Lehr­stuhl Se­cu­ri­ty En­gi­nee­ring, HGI/ PI im Exzellenzcluster CASA) und Prof. Lucas Davi (Lehr­stuhl für Secure Software Systems, Universität Duisburg-Essen/ PI im Exzellenzcluster CASA) will dazu beitragen, die Technologie auf Micro-Architektur-Ebene sicherer zu machen. Dafür wird das Forscher-Duo nun von der Deutschen Forschungs-Gemeinschaft (DFG) im Rahmen des Schwerpunktprogramms „Nano-Security“ von 2020 bis zum Jahr 2023 gefördert.

Innerhalb des Projekts adressieren die Wissenschaftler dabei zwei Herausforderungen: Sie wollen zum einen wirksame Gegenmaßnahmen gegen die vielfältigen Angriffs-Möglichkeiten auf der mikroarchitektonischen Ebene entwickeln. Zum anderen haben Sie es sich zur Aufgabe gemacht, die neuen Funktionen im Kontext der aktuellsten Nano-Technologie zu reflektieren. Dabei setzen sie auf den Einsatz von Randomisierung unter der Berücksichtigung der besonderen Anforderungen der Nano-Technologie. Diese Randomisierungstechniken setzen auf das dynamische Neuanordnen von Speicherbereichen im CPU-Cache und Arbeitsspeicher, so dass ein Angreifer keine Rückschlüsse auf Basis fixer Speicherinformationen ziehen kann.

Für das Schwerpunktprogramm „Nano-Security“ hatte die DFG im September 2019 zu Einreichungen von Proposals aufgerufen. Es ist auf sechs Jahre Laufzeit ausgelegt. 

 

 

 

Allgemeiner Hinweis: Mit einer möglichen Nennung von geschlechtszuweisenden Attributen implizieren wir alle, die sich diesem Geschlecht zugehörig fühlen, unabhängig vom biologischen Geschlecht.