针对仲裁器 PUF 快慢建模攻击的主动学习
密码学与安全
2023-08-29 v1 机器学习
摘要
建模攻击中,对手使用机器学习技术对基于硬件的物理不可克隆函数(PUF)进行建模,这对这些硬件安全原语的可用性构成重大威胁。在大多数建模攻击中,挑战-响应对(CRPs)的随机子集被用作机器学习算法的标注数据。此处,针对仲裁器 PUF(一种基于延迟的 PUF,由于制造缺陷可视为具有随机权重的线性阈值函数),我们研究了主动学习在支持向量机(SVM)学习中的作用。我们聚焦于挑战选择,以帮助 SVM 算法“快”学习和“慢”学习。我们的方法构造挑战而非像先前工作那样依赖挑战样本池。使用主动学习实现“快”学习(更少的 CRP 暴露、更高的准确率)可帮助制造商更高效地学习所制造的 PUF,或当攻击者能随意查询 PUF 获取 CRP 时构成更强大的攻击。使用主动学习选择“慢”学习的挑战(尽管暴露大量 CRP 但准确率低下)可为减缓仅限于窃听 CRP 的攻击者提供基础。
引用
@article{arxiv.2308.13645,
title = {Active learning for fast and slow modeling attacks on Arbiter PUFs},
author = {Vincent Dumoulin and Wenjing Rao and Natasha Devroye},
journal= {arXiv preprint arXiv:2308.13645},
year = {2023}
}