深入攻击：利用简化数学模型与深度学习技术破解 XOR BR 与 TBR PUF（攻击与对策）
密码学与安全
2020-09-10 v1 硬件体系结构
机器学习
摘要
本文通过采用简化数学模型与深度学习（DL）技术评估 XOR BR PUF、XOR TBR PUF 以及 XOR BR PUF 混淆架构的安全性，对 PUF 在建模攻击下的脆弱性研究做出贡献。所得结果表明，DL 建模攻击可轻易以约 99% 的建模准确率攻破 4 输入 XOR BR PUF 与 4 输入 XOR TBR PUF 的安全。使用单层神经网络（NN）与带多项式核的支持向量机（SVM）执行了类似攻击，结果表明单个 NN 未能攻破 PUF 安全。此外，SVM 结果证实了先前研究中报道的相同建模准确率（约 50%）。本研究首次通过实证表明，DL 网络可作为针对这些复杂 PUF 架构的强大建模技术，而先前常规机器学习技术在此类架构上均告失败。此外，针对 DL 网络随 PUF 级数与复杂度的可扩展性进行了详细分析。分析表明，每层中的层数及隐藏神经元数量与 PUF 级数呈线性关系，这与深度学习中的理论发现一致。进而，作为一种初步对策，引入了一种新的混淆架构以抵御 DL 建模攻击，其表现出显著的抗此类攻击能力（准确率降低 16%–40%）。本研究为优先投入精力提出更安全、不易受建模攻击的新 PUF 架构迈出了重要一步。此外，它引发了关于移除影响位以及所需混淆程度以确认特定 PUF 架构可抵御强大 DL 建模攻击的未来讨论。
关键词
引用
@article{arxiv.2009.04063,
title = {Going Deep: Using deep learning techniques with simplified mathematical models against XOR BR and TBR PUFs (Attacks and Countermeasures)},
author = {Mahmoud Khalafalla and Mahmoud A. Elmohr and Catherine Gebotys},
journal= {arXiv preprint arXiv:2009.04063},
year = {2020}
}
备注
To appear in proceedings of 2020 IEEE International Symposium on Hardware Oriented Security and Trust (HOST)