مقاله حمله به PUF های مبتنی بر تاخیر با مدل حداقل دشمن

چکیده

Physically Unclonable Functions (PUFs) provide a streamlined solution for lightweight device authentication. Delay-based Arbiter PUFs, with their ease of implementation and vast challenge space, have received significant attention; however, they are not immune to modelling attacks that exploit correlations between their inputs and outputs. Research is therefore polarized between developing modelling-resistant PUFs and devising machine learning attacks against them. This dichotomy often results in exaggerated concerns and overconfidence in PUF security, primarily because there lacks a universal tool to gauge a PUF’s security. In many scenarios, attacks require additional information, such as PUF type or configuration parameters. Alarmingly, new PUFs are often branded `secure’ if they lack a specific attack model upon introduction. To impartially assess the security of delay-based PUFs, we present a generic framework featuring a Mixture-of-PUF-Experts (MoPE) structure for mounting attacks on various PUFs with minimal adversarial knowledge, which provides a way to compare their performance fairly and impartially. We demonstrate the capability of our model to attack different PUF types, including the first successful attack on Heterogeneous Feed-Forward PUFs using only a reasonable amount of challenges and responses. We propose an extension version of our model, a Multi-gate Mixture-of-PUF-Experts (MMoPE) structure, facilitating multi-task learning across diverse PUFs to recognise commonalities across PUF designs. This allows a streamlining of training periods for attacking multiple PUFs simultaneously. We conclude by showcasing the potent performance of MoPE and MMoPE across a spectrum of PUF types, employing simulated, real-world unbiased, and biased data sets for analysis.

چکیده به فارسی (ترجمه ماشینی)

توابع غیر قابل دسترسی از نظر جسمی (PUF) یک راه حل ساده برای احراز هویت دستگاه سبک ارائه می دهد.PUF های داوری مبتنی بر تأخیر ، با سهولت در اجرای و فضای چالش گسترده ، مورد توجه قابل توجهی قرار گرفته اند.با این حال ، آنها در برابر حملات مدل سازی که از همبستگی بین ورودی ها و خروجی های آنها سوء استفاده می کنند ، مصون نیستند.بنابراین تحقیقات بین توسعه PUF های مقاوم در برابر تعدیل و ابداع حملات یادگیری ماشین علیه آنها قطبی شده است.این دوگانگی اغلب منجر به نگرانی های اغراق آمیز و عدم اعتماد به نفس در امنیت PUF می شود ، در درجه اول به این دلیل که فاقد یک ابزار جهانی برای سنجش امنیت PUF است.در بسیاری از سناریوها ، حملات نیاز به اطلاعات اضافی مانند نوع PUF یا پارامترهای پیکربندی دارند.به طرز نگران کننده ای ، در صورت عدم وجود یک مدل حمله خاص در هنگام معرفی ، PUF های جدید غالباً “ایمن” می شوند.برای ارزیابی بی طرفانه امنیت PUF های مبتنی بر تأخیر ، ما یک چارچوب عمومی را ارائه می دهیم که شامل یک ساختار ترکیبی از PUF-Experts (MOPE) برای نصب حملات بر روی PUF های مختلف با حداقل دانش مخالف است ، که راهی برای مقایسه عملکرد آنها به طور عادلانه و عادلانه فراهم می کند.بی طرفما توانایی مدل خود را برای حمله به انواع مختلف PUF ، از جمله اولین حمله موفقیت آمیز به PUF های ناهمگن به صورت ناهمگن با استفاده از تنها یک چالش و پاسخ های معقول نشان می دهیم.ما یک نسخه پسوند از مدل خود ، یک ساختار چند گیت از PUF-Experts (MMOPE) را پیشنهاد می کنیم ، و یادگیری چند وظیفه ای را در بین PUF های متنوع تسهیل می کند تا مشترکات را در طرح های PUF تشخیص دهد.این اجازه می دهد تا دوره های تمرینی برای حمله به چندین PUF به طور همزمان انجام شود.ما با نمایش عملکرد قدرتمند MOPE و MMOPE در طیف انواع PUF ، با استفاده از مجموعه داده های شبیه سازی شده ، واقعی در دنیای واقعی و مغرضانه برای تجزیه و تحلیل نتیجه می گیریم.