分量差异化挑战XOR PUF抵御机器学习建模攻击的新安全边界
密码学与安全
2022-06-06 v1 机器学习
摘要
物理不可克隆函数(PUF)是面向资源受限网络节点的有前景的安全原语。XOR仲裁器PUF(XOR PUF或XPUF)是为提升仲裁器PUF(可能是最轻量的基于延迟的PUF)安全性而发明的、被深入研究的一种PUF。近来，发现了极具威力的机器学习攻击方法，能够轻易攻破早先机器学习攻击方法下高度安全的大尺寸XPUF。分量差异化挑战XPUF(CDC-XPUF)是指各分量PUF接收不同挑战的XPUF。研究表明，相较于分量PUF接收相同挑战的传统XPUF，它们对机器学习攻击安全得多。但这些研究均基于早先的机器学习攻击方法，因此尚不清楚CDC-XPUF在近期发现的强力攻击方法下是否仍能保持安全。本文中，通过为CDC-XPUF微调两种方法的参数，将当前两种最强大的XPUF机器学习攻击方法加以适配。利用模拟PUF数据以及现场可编程门阵列(FPGA)上实现的PUF生成的硅数据进行了攻击实验，实验结果表明，某些具有特定电路参数值的先前安全的CDC-XPUF在适配的新攻击方法下不再安全，而更多其他电路参数值的CDC-XPUF仍保持安全。因此，我们的实验攻击研究重新界定了PUF电路参数空间中安全区域与不安全的边界，为PUF制造商和物联网安全应用开发者选择具有安全参数值的PUF提供了宝贵信息。
引用
@article{arxiv.2206.01314,
title = {A New Security Boundary of Component Differentially Challenged XOR PUFs Against Machine Learning Modeling Attacks},
author = {Gaoxiang Li and Khalid T. Mursi and Ahmad O. Aseeri and Mohammed S. Alkatheiri and Yu Zhuang},
journal= {arXiv preprint arXiv:2206.01314},
year = {2022}
}