基于最小敌手模型攻击基于延迟的 PUF

物理不可克隆函数（PUF）为轻量级设备认证提供了一种精简的解决方案。基于延迟的仲裁器 PUF（Arbiter PUFs）因其易于实现和巨大的挑战空间而受到广泛关注；然而，它们并非免疫于利用其输入与输出之间相关性的建模攻击。因此，研究两极分化：一方致力于开发抗建模的 PUF，另一方则设计针对它们的机器学习攻击。这种二元对立往往导致对 PUF 安全性的过度担忧或过度自信，主要原因在于缺乏衡量 PUF 安全性的通用工具。在许多场景中，攻击需要额外信息，例如 PUF 类型或配置参数。令人担忧的是，新的 PUF 若在推出时缺乏特定的攻击模型，往往就被标榜为“安全”。为了公正地评估基于延迟的 PUF 的安全性，我们提出了一个通用框架，该框架采用混合 PUF 专家（Mixture-of-PUF-Experts, MoPE）结构，能够在敌手知识最小的情况下对各种 PUF 发起攻击，从而提供了一种公平、公正比较其性能的方法。我们展示了该模型攻击不同类型 PUF 的能力，包括首次仅使用合理数量的挑战 - 响应对异质前馈 PUF（Heterogeneous Feed-Forward PUFs）成功发起攻击。我们还提出了该模型的扩展版本，即多门混合 PUF 专家（Multi-gate Mixture-of-PUF-Experts, MMoPE）结构，促进跨不同 PUF 的多任务学习，以识别 PUF 设计中的共性。这使得同时攻击多个 PUF 的训练过程得以精简。最后，我们通过使用模拟数据集、现实世界无偏数据集和有偏数据集进行分析，展示了 MoPE 和 MMoPE 在一系列 PUF 类型上的强大性能。