一种 0.16pJ/bit 基于循环神经网络的 PUF 用于增强机器学习攻击抗性
密码学与安全
2018-12-14 v1
摘要
由于物联网设备的日益普及,物理不可克隆函数(PUF)电路正得到广泛应用。然而,现有的强 PUF 如仲裁器 PUF (APUF) 及其组合由于挑战-响应对具有线性关系,易受机器学习(ML)攻击。在本文中,我们提出一种循环神经网络 PUF (RNN-PUF),其使用反馈与 XOR 函数组合来显著提高对 ML 攻击的抗性,且不显著降低可靠性。通过使用带失调消除的共享比较器以消除偏置并节省功耗,ML 攻击也被部分削弱。从仿真结果中,我们对不同 ML 算法获得 62% 的 ML 攻击准确率,而可靠性保持在 93% 以上。这代表了我们的优值指标提升 33.5%。功耗估计为 12.3uW,每比特能量约为 0.16pJ。
引用
@article{arxiv.1812.05347,
title = {A 0.16pJ/bit Recurrent Neural Network Based PUF for Enhanced Machine Learning Atack Resistance},
author = {Nimesh Shah and Manaar Alam and Durga Prasad Sahoo and Debdeep Mukhopadhyay and Arindam Basu},
journal= {arXiv preprint arXiv:1812.05347},
year = {2018}
}