随着集成电路（IC）制造过程外包给外国代工厂的趋势日益明显，硬件安全威胁也大大增加。尤其令人担忧的是，不可靠和可疑的代工厂会利用受损和伪造的芯片渗透集成电路供应链。近年来，现场可编程门阵列（FPGA）等可编程器件的使用迅速增加。在通信网络、智能电网、国防设备和物联网等关键任务计算系统中越来越多地部署这些设备，导致黑客不断设计新技术来破坏这些设备的安全性。令人严重关切的是植入称为木马的虚假电路，以窃取或降低芯片的功能。这些被篡改的芯片随后可充当 "间谍芯片"，供对手和黑客收集机密数据。为了应对这种攻击，芯片设计者可以使用物理不可克隆函数（PUF）在这些设备中嵌入额外的安全层。尽管物理不可克隆函数（PUFs）被认为是不可克隆和不可破解的，但研究人员发现它们很容易受到机器学习（ML）攻击。从挑战-响应对（CRP）的子集中，使用不同的机器学习算法可以有效地预测剩余的 CRP。
本研究介绍了基于 FPGA 的不同 PUF 对各种基于群体智能（SI）的 ANN 算法（SI）攻击的全面脆弱性分析，即蜻蜓算法（DA）、引力搜索算法（GSA）、布谷鸟搜索算法（CS）、粒子群优化（PSO）和灰狼优化器（GWO）算法。这些算法用于建立人工神经网络模型，以分析不同 PUF 在建模攻击方面的脆弱性。这些训练算法会调整人工神经网络的权重和偏置，通过找到其最优集来获得最高的响应预测精度。据我们所知，基于群智能的算法还没有被用于研究 PUF 对基于 ANN 的攻击的脆弱性。研究结果表明，与其他著名的 ML 算法相比，群智能算法能产生更好的响应预测准确度结果（71.1% - 99.3%）。在各种 SI 和 ML 算法中，GWO 算法在预测 CRP 方面表现最佳。
本研究进一步关注使用不同的机器学习分类器攻击，即逻辑回归（LR）： 逻辑回归 (LR)、决策树 (DT)、随机森林 (RF)、最近邻 (KNN)、内核支持向量 (Kernel SVM)、奈夫贝叶斯分类器 (NB)。基于人工神经网络（ANN）的不同模型通过对挑战-响应对建模来研究 PUF 的脆弱性。人工神经网络模型采用了四种不同的优化技术，即 均方根传播（RMSprop）、梯度下降自适应德尔塔（Adadelta）学习率法、自适应矩估计（Adam）和内斯特洛夫加速自适应矩估计（Nadam）。使用各种建模算法训练从不同 PUF 获取的挑战响应数据。结果表明，与其他 ML 算法相比，基于 ANN 的算法能产生更好的响应预测准确度结果（68.0% - 94.1%）。
此外，还设计了两种不同的新型 XOR-ROPUF，它们能够抵御各种机器学习建模攻击，并提高 PUF 的安全性。所提出的设计在 Xilinx Artix-7 FPGA 上实现。这些 PUF 针对 "n "比特挑战（n x n）生成 "n "比特响应；新响应是一个 "n "比特向量，因此预测精度是根据预测不同挑战的比特串数量（n x n）来计算的。新的 PUF 结构将 CRP 的预测准确率大幅降低到 24.1%。
在本研究工作的剩余部分，我们提出了一种使用轻量级 XOR-ROPUF 实现物联网系统安全的认证方案。建议的管理方案在验证机构、验证服务器和物联网设备之间进行验证，以确保数据的一致性和完整性。所提出的基于 XOR-ROPUF 的方案实现了一种低成本的设备验证解决方案，可用于识别可信硬件，利用轻量级系统确保设备间通信的安全，并降低验证漏洞的风险。
原文
相关内容
微信扫码咨询专知VIP会员