26195

بررسي مقاومت توابع غيرقابل همسان سازي فيزيكي (XOR-Arbiter-PUF) در برابر حملات مبتني بر يادگيري عميق

كارشناسي ارشد

مهدسي برق-گرايش مدارهاي مجتمع الكترونيك (مدارهاي مجتمع خطي)

98

1400/12/7

سيد محمدرضا موسوي ميركلايي / جمشيد فريبرز

مهندسي برق

با توجه به گسترش روزافزون ارتباطات، نياز به امنيت اطلاعات به صورت ارزان قيمت و قابل اطمينان به‬ شدت افزايش يافته است. راه حلهاي بسيار زيادي براي ايجاد ارتباط امن، ارزان و با قابليت اطمينان با‬لا پيشنهاد شده است كه توابع غيرقابل همسانسازي فيزيكي (PUF) به دليل سختي پيش¬بيني، قابليت اطمينان بالا و‬ سهولت پياده¬سازي يكي از بهترين روش¬ها مي¬باشد. اين مدارها كاربرد وسيعي در تامين امنيت دستگاه¬هاي‬ الكترونيكي از جمله در ساخت مدارهاي اعتبارسنجي تعيين هويت و مدارهاي توليد كليد امن دارند،‬ اما در چند سال اخير حملاتي ارائه¬ شده¬اند كه امنيت PUFها را زير سوال مي¬برند.‬ از جمله حملاتي كه با دقت بالا قادر به پيش¬بيني و هم¬سان¬سازيPUF هستند، حملات يادگيري ماشين مي¬باشند. در واقع، اين نوع حملات به صورت غيرفعال بوده و با داشتن تعدادي جفت‌هاي چالش-پاسخ آموزشي (CRP) مي¬تواند رفتار آينده PUF را پيش¬بيني كند. در اين پايان¬نامه، روش جديد مبتني بر يادگيري عميق (DL) به عنوان حملات مدل‌سازي نسبت به ساختارهاي پيچيده‌ PUF مورد بررسي قرار مي¬گيرد. براي مدل¬سازي حملات، از ويژگي حافظه كوتاه-مدت طولاني (LSTM) براي حمله به PUFهاي XOR-Arbiter (XOR-APUF) براي اولين بار استفاده شده است. با تركيب LSTM پيشنهادي با شبكه عصبي كاملا متصل (FC)، شبكه FC-LSTM معرفي مي¬گردد كه دقت 99% مدل‌سازي بر روي XOR-APUF-7 و XOR-APUF-8 به دست مي‌آورد. علاوه بر اين، آزمايش‌ها نشان مي‌دهد، علي‌رغم مدل‌هاي دقيق رياضي PUF، حملات مدل‌سازي پيشنهادي اين پايان¬نامه به‌طور مؤثري بر محدوديت‌هاي مطالعات قبلي در مدت زمان آموزشي كوتاه¬تر، 4 دقيقه و 45 ثانيه و 8 دقيقه و 48 ثانيه با مجموعه‌هاي كمتري از CRP، 99"×" 104 و 2"×" 106 به ترتيب براي XOR-APUF-7 و XOR-APUF-8 غلبه مي‌كنند

1400/12/15

Investigation of Physically Unclonable Functions (XOR-Arbiter-PUFs) Resistance against Deep Learning-based Attacks

2/26/2023 12:00:00 AM

By increasing the expansion of communications, the need for cheap and reliable information security has dramatically increased. Many solutions have been proposed to create a secure, cheap, and highly reliable connection. Physically Unclonable Functions (PUFs) are among the best methods because of their unpredictability, high reliability, and ease of implementation. These circuits are widely used in authentication circuits and secure key generation circuits. However, there have been attacks that call into question the security of PUFs in recent years. Machine-learning methods are one of the most acceptable attack methods to breaking the resistance and mathematical clone of PUFs. These methods are non-invasive attacks and can predict the behavior of PUFs by using Challenge-Response Pairs (CRPs). In this thesis, it investigates the ability of new Deep Learning (DL)-based technique as potential modeling attacks against more complicated PUF structures. To that end, it utilizes the advantage of Long-Short Term Memory (LSTM) for attacking XOR-Arbiter PUFs (XOR-APUFs) for the first time. By combining the proposed LSTM with Fully Connected (FC) neural network, FC-LSTM obtains 99% modeling accuracy on 7-XOR-APUF and 8-XOR-APUF. Furthermore, these experiments show that, despite the precise mathematical models of PUFs, these proposed modeling attacks effectively overcome the constraints imposed by prior studies in a shorter period of time, 4 minutes and 45 seconds and 8 minutes and 48 seconds with fewer sets of training CRPs, 99"×" 104 and 2"×" 106 for 7-XOR-APUF and 8-XOR-APUF, respectively.

توابع غيرقابل هم سان سازي فيزيكي , يادگيري ماشين , يادگيري عميق , XOR-APUF , FC-LSTM

Physically Unclonable Functions , FC-LSTM , Deep Learning , Machine Learning , XOR-APUF

Sina Soleimani Fard

Seyed Mohammadreza Mousavi mirkolaei / Jamshid Fariborz