基于机器学习的物联网边缘节点安全攻击与对策
密码学与安全
2019-09-18 v1
摘要
技术进步使得被称为物联网（IoT）的普适计算设备高度互联生态系统中取得了巨大进展。由于所收集数据的敏感性，确保物联网设备的安全性是重中之重。物理不可克隆函数（PUFs）已成为保障物联网节点安全的关键硬件原语。由于PUF架构固有的随机性，对其的恶意建模已被证明十分困难。现有恶意PUF建模方法均假设攻击者可事先获知PUF架构并具备物理访问权限以对物联网节点发起恶意攻击。然而，许多物联网网络默认假设PUF架构在物理与数学上均具有充分的防篡改能力。在本文中，我们表明获知底层PUF结构对于克隆PUF并非必要。我们提出了一种新颖的、非侵入式、架构无关的强PUF机器学习攻击方法，其克隆准确率达93.5%，较另一种两阶段暴力攻击模型提升高达48.31%。我们还提出了一种基于机器学习的对策——判别器（discriminator），其能以平均96.01%的准确率区分被克隆的PUF设备与真实PUF。所提出的判别器可用于从云服务器端对数百万物联网节点进行快速远程认证。
引用
@article{arxiv.1909.07891,
title = {Machine Learning based IoT Edge Node Security Attack and Countermeasures},
author = {Vishalini R. Laguduva and Sheikh Ariful Islam and Sathyanarayanan Aakur and Srinivas Katkoori and Robert Karam},
journal= {arXiv preprint arXiv:1909.07891},
year = {2019}
}
备注
Accepted in ISVLSI 2019