МЕТОД ИССЛЕДОВАНИЯ АТАК НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ НА ФИЗИЧЕСКИ НЕКЛОНИРУЕМЫЕ ФУНКЦИИ ТИПА АРБИТР

Юрий А. Коротаев

Аннотация


В статье рассматриваются современные подходы к атакам на различные варианты физически неклонируемых функций типа арбитр (АФНФ). Выполнена постановка соответствующей задачи с точки зрения машинного обучения. Предложен метод, повышающий эффективность атак на АФНФ. Он основан на предварительном подборе подходящего алгоритма машинного обучения с использованием моделей АФНФ. Такой подход позволяет выполнить предварительную оценку эффективности различных алгоритмов для атак на АФНФ в отсутствие доступа к наборам пар запрос-ответ, полученным при исполнении реальных экземпляров физически неклонируемых функций. Проведены атаки на модели базового и модифицированных вариантов АФНФ из открытой библиотеки pypuf с помощью классического алгоритма логистической регрессии и искусственных нейронных сетей (ИНС). Сделан вывод о большей эффективности ИНС по сравнению с классическими алгоритмами машинного обучения при осуществлении атак на АФНФ. C помощью pypuf разработана архитектура ИНС, которая после минимальной модификации была применена для эффективной атаки на вариант АФНФ, сбалансированный за счет использования дополнительного модуля задержки в структуре базового элемента. Соответствующая АФНФ была реализована на базе программируемой логической интегральной схемы (ПЛИС). Точность предсказания ответов после обучения составила 97,46%.


Ключевые слова


физически неклонируемые функции (ФНФ), АФНФ, программируемые логические интегральные схемы (ПЛИС), атаки на ФНФ, машинное обучение, искусственная нейронная сеть.

Полный текст:

PDF

Литература


1. Joshi S., Mohanty S.P. and Kougianos E. Everything You Wanted to Know About PUFs. IEEE Potentials, v. 36, no. 6, p. 38–46, 2017. DOI: 10.1109/MPOT.2015.2490261.

2. Blaise Gassend, Dwaine Clarke, Marten van Dijk, and Srinivas Devadas. 2002. Silicon physical random functions. In Proceedings of the 9th ACM conference on Computer and communications security (CCS '02). Association for Computing Machinery, New York, NY, USA, 148–160.
DOI: https://doi.org/10.1145/586110.586132.

3. Коротаев Ю.А., Певцов Е.Ф. Физически неклонируемые функции на основе вариаций формирования переходных отверстий СБИС. Перспективные материалы и технологии (ПМТ-2024): Сборник докладов Международной научно-технической конференции ИПТИП РТУ МИРЭА, Москва, 12–16 апреля 2024 года. М.: МИРЭА - Российский технологический университет. 2024, с. 318–324. – EDN: YQTIRS.

4. Ulrich Rührmair, Frank Sehnke, Jan Sölter, Gideon Dror, Srinivas Devadas, and Jürgen Schmidhuber. 2010. Modeling attacks on physical unclonable functions. In Proceedings of the 17th ACM conference on Computer and communications security (CCS '10). Association for Computing Machinery, New York, NY, USA,
p. 237–249. DOI: https://doi.org/10.1145/1866307.1866335.

5. Коротаев Ю.А. Оптические физически неклонируемые функции. Оптические технологии, материалы и системы (Оптотех - 2023): Сборник докладов Международной научно-технической конференции, Москва, 11–15 декабря 2023 года. М.: МИРЭА - Российский технологический университет. 2023,
c. 439–445. – EDN: PTVUCX.

6. Korenda A.R., Afghah F., Cambou B. and Philabaum C. A Proof of Concept SRAM-based Physically Unclonable Function (PUF) Key Generation Mechanism for IoT Devices. 16th Annual IEEE International Conference on Sensing, Communication, and Networking (SECON), Boston, MA, USA. 2019, p. 1–8.
DOI: 10.1109/SAHCN.2019.8824887.

7. Rührmair U., Sölter J., Sehnke F., Xu X., Mahmoud A., Stoyanova V., Dror G., Schmidhuber J., Burleson W., & Devadas S. (2013). PUF Modeling Attacks on Simulated and Silicon Data. Cryptology ePrint Archive, Paper 2013/112. URL: https://eprint.iacr.org/2013/112 (дата обращения: 15.09.2024).

8. The Interpose PUF: Secure PUF Design against State-of-the-art Machine Learning Attacks. (2019). IACR Transactions on Cryptographic Hardware and Embedded Systems. 2019(4), p. 243–290.
DOI: https://doi.org/10.13154/tches.v2019.i4.243-290.

9. Majzoobi Mehrdad & Koushanfar Farinaz & Potkonjak Miodrag. (2008). Lightweight secure PUFs.
P. 670–673. DOI: 10.1109/ICCAD.2008.4681648.

10. Wisiol R., Rührmair U., & Paar C. (2021). Breaking XOR Arbiter PUFs Using Convolutional Neural Networks. In Proceedings of the 30th USENIX Security Symposium (p. 1773–1790). URL: https://ia.cr/2021/555 (дата обращения: 15.09.2024).

11. Santikellur Pranesh, Aritra Bhattacharyay and Rajat Subhra Chakraborty. Deep Learning based Model Building Attacks on Arbiter PUF Compositions. IACR Cryptol. ePrint Arch. 2019 (2019): 566. URL: https://eprint.iacr.org/2019/566.pdf (дата обращения: 15.09.2024).

12. Wisiol N., Grabnitz C., C. Muhl, B. Zengin, T. Soroceanu, and N. Pirnay, pypuf: Cryptanalysis of Physically Unclonable Functions, june 2020. DOI: https://doi.org/10.5281/zenodo.3904267.

13. Ярмолик В.Н., Иванюк А.А. Симметричные физически
неклонируемые функции типа арбитр. Информатика. 2024, т. 21, № 1, с. 9–27. DOI: 10.37661/1816–0301-2024-21-1-9-27. – EDN: MQBGUK.

14. Ярмолик Вячеслав Н.; Иванюк Александр А. Сбалансированные физически неклонируемые функции типа арбитр. Безопасность информационных технологий, [S.l.], т. 30, № 1, с. 92–107, 2023. ISSN 2074–7136.
DOI: http://dx.doi.org/10.26583/bit.2023.1.07.

15. Лебедев В.Р., Певцов Е.Ф., Деменкова Т.А., Малето М.И., Филимонов В.В. Метод исследования реализации физически неклонируемых функций в информационных системах. International Journal of Open Information Technologies. 2024, № 1. URL: https://cyberleninka.ru/article/n/metod-issledovaniya-realizatsii-fizicheski-nekloniruemyh-funktsiy-v-informatsionnyh-sistemah (дата обращения: 20.09.2024).




DOI: http://dx.doi.org/10.26583/bit.2025.1.05

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.