MLMSA：基于多标签多侧信道信息的深度学习攻击 APUF 变体
密码学与安全
2023-01-11 v2
摘要
为提高硅基强物理不可克隆函数（PUF），特别是 APUF 的建模鲁棒性（其产生极大量的挑战响应对（CRP）），人们设计了若干复合 APUF 变体，如 XOR-APUF、插入式 PUF（iPUF）、前馈 APUF（FF-APUF）和 OAX-APUF。在考察其建模鲁棒性安全性时，利用给定挑战下的多种信息源（如功耗侧信道信息（SCI）或/和可靠性 SCI）尚待充分探索，这对其实践中假定具备的建模鲁棒性构成了挑战。基于多标签/头深度学习模型架构，本工作提出多标签多侧信道信息赋能的深度学习攻击（MLMSA），以全面评估上述 APUF 变体的建模鲁棒性。尽管简单，MLMSA 能成功攻破大规模 APUF 变体，这是此前未实现的。更确切地说，当并发使用 CRP、功耗 SCI 和可靠性 SCI 时，MLMSA 攻破了 128 级 30-XOR-APUF、(9, 9)- 和 (2, 18)-iPUF，以及 (2, 2, 30)-OAX-APUF。即便仅利用易获取的可靠性 SCI 和 CRP，它也攻破了 128 级 12-XOR-APUF 和 (2, 2, 9)-OAX-APUF。128 级六环 FF-APUF 和单环 20-XOR-FF-APUF 可通过同时使用可靠性 SCI 和 CRP 攻破。所有这些攻击通常在一小时内于标准个人计算机上完成。因此，MLMSA 是评估其他现有或新兴强 PUF 设计的有用技术。
引用
@article{arxiv.2207.09744,
title = {MLMSA: Multi-Label Multi-Side-Channel-Information enabled Deep Learning Attacks on APUF Variants},
author = {Yansong Gao and Jianrong Yao and Lihui Pang and Wei Yang and Anmin Fu and Said F. Al-Sarawi and Derek Abbott},
journal= {arXiv preprint arXiv:2207.09744},
year = {2023}
}