Physical unclonable functions (PUFs) are widely considered in secret key generation for resource constrained devices. However, PUFs require additional hardware overhead. In this paper, we focus on developing a PUF-efficient, robust, and secure key generation scheme. First, a novel method for extracting quaternary PUF responses is proposed to increase the entropy of a PUF response, in which a 2-bit response is extracted from evaluating a single PUF cell multiple times. The probability masses of the responses can be adjusted by setting parameters appropriately. Then, a chosen secret model based fuzzy extractor (FE) is designed to extract secret keys from the quaternary PUF responses. To improve the security of this FE, it is modeled as a wiretap channel system, and wiretap polar coding is adopted to reduce secrecy leakage. An upper bound of secrecy leakage is also given in this paper, and it suggests that an arbitrarily small (even zero) leakage can be achieved by properly choosing parameters of the quaternary PUF responses generation. Comparison results show that the required number of PUF cells to achieve the same level of secrecy in our scheme is as low as half that of the state-of-the-art schemes.


翻译:在秘密关键生成中,对资源受限装置而言,无法物理的功能(PUFs)被广泛视为秘密关键产品。然而,PUFs需要额外的硬件管理。在本文件中,我们侧重于开发一个高效、稳健和安全的钥匙生成计划。首先,建议采用一种新的方法来提取四氟化聚氨酯的响应,以增加PUF反应的灵敏度,在这种响应中,从对单一PUF细胞的评价中多次提取二位数的答复。答复的概率质量可以通过适当设定参数加以调整。然后,一个基于烟雾提取器(FE)的选定秘密模型(FE)的设计是为了从四氟化硫反应中提取秘密钥匙。为了提高这一FE的安全性,它被建为窃听通道系统,并采用窃听极编码来减少保密泄漏。本文中还给出了保密泄漏的上层,它表明,通过正确选择四氟化聚氨基反应生成的参数,可以实现任意的小(甚至零)渗漏。比较结果显示,实现我们计划中同一保密程度所需的PUF细胞数量是低的一半。

0
下载
关闭预览

相关内容

Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
计算机视觉最佳实践、代码示例和相关文档
专知会员服务
17+阅读 · 2019年10月9日
【2019-26期】This Week in Extracellular Vesicles
外泌体之家
11+阅读 · 2019年6月28日
R语言实现聚类kmeans
R语言中文社区
3+阅读 · 2019年2月14日
R语言学习笔记之热图绘制
R语言中文社区
3+阅读 · 2018年7月11日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年4月28日
Using Scene Graph Context to Improve Image Generation
Arxiv
3+阅读 · 2018年4月3日
Arxiv
5+阅读 · 2017年11月30日
VIP会员
相关VIP内容
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
计算机视觉最佳实践、代码示例和相关文档
专知会员服务
17+阅读 · 2019年10月9日
Top
微信扫码咨询专知VIP会员