30908

ارائه يك تابع غيرقابل انطباق فيزيكي جهت بهبود در مقابل حملات مرسوم

كارشناسي ارشد

مهندسي كامپيوتر

1400

1403/02/02

حاكم بيت الهي

بدون استاد مشاور

مهندسي كامپيوتر

تابع همسان‌ناپذيز فيزيكي (PUF) با بهره‌گيري از نوسان فرآيند در هنگام توليد تراشه قادر به توليد ابزارهاي امنيتي است كه هركدام با ديگري تفاوت اندكي دارد كه همين تفاوت مي‌تواند مانند اثرانگشت آن رفتار كند و آن PUF را از ديگر PUFها متمايز كند؛ اما در اين مسير چالش‌هايي نيز در برابر خود مي‌بيند كه مهم‌ترين آن‌ها حمله مدل‌سازي است كه مي‌تواند اين تفاوت‌ها را با ابزارهاي يادگيري ماشين بياموزد و با جمع‌آوري اين اطلاعات اقدام به مدل كردن PUF كند. با مدل كردن PUF، روياي ايمن كردن سخت‌افزار با بهره‌گيري از اين فناوري به شكست مي‌انجامد كه همين امر تحقيقاتي را در زمينه امنيت سخت‌افزار به وجود آورد كه چگونه مي‌توان يك PUF پايا و ايمن در برابر اين حملات ساخت. به دليل شكست ديگر PUFها در برابر حمله‌هاي مدل‌سازي، نياز به يك PUF ايمن در امنيت سخت‌افزار مشهود است. به همين دليل در اين پژوهش با Obfuscated PUF (OPUF) آشنا مي‌شويم. OPUF اميدواركننده‌ترين PUF براي پايايي در برابر حمله‌هاي يادگيري ماشين است. چراكه OPUF با بهترين روش‌هاي مبهم‌سازي توليدشده است كه همين امر باعث مي‌شود تا حمله‌هاي مدل‌سازي نتوانند به‌راحتي آن را مدل كنند. همچنين OPUF در برابر ديگر حمله‌هاي موجود مانند حمله‌هاي قابليت اطمينان نيز از خود مقاومت نشان مي‌دهد. در ادامه طراحي و معماري آن را بررسي مي‌كنيم و مي‌بينيم كه در برابر آخرين حمله‌هاي يادگيري ماشين گزارش‌شده ايمن است و همچنين سربار مساحت اندكي به تراشه اضافه مي‌كند كه آن‌ را براي استفاده در دستگاه‌هاي لبه مناسب مي‌كند. نتايج شبيه‌سازي بر روي حمله‌هاي LR و MLP نشان مي‌دهد كه دقت اين حمله‌ها به OPUF به ترتيب به‌صورت ميانگين برابر 50/69 و 49/54 درصد است كه كم‌دقت‌ترين نتايج اين حمله‌ها نسبت به PUFهاي ارائه‌شده پيش از OPUF است.

1403/03/07

Providing a Physical Unclonable Function to improve against conventional attacks

4/21/2025 12:00:00 AM

Taking advantage of process variation during chip production, Physical Unclonable Function (PUF) can produce chips that are each slightly different from the other, and this difference can act like its fingerprint and distinguish that PUF from other PUFs. This unique behaviour, however, also presents challenges, including a modelling attack, which utilizes machine learning tools to gain insight into these differences and then models the PUF based on this information. In response to this, research has been conducted in the field of hardware security on the development of reliable and secure PUFs against these attacks. Due to the failure of other PUFs against modeling attacks, the need for a secure PUF in hardware security is evident. Therefore, this dissertation introduces Obfuscated PUF (OPUF), which is the most promising PUF in terms of its robustness against machine learning attacks. Since OPUF is generated using the most effective obfuscation methods, modeling attacks will be unable to model it easily. In addition to being resistant to other existing attacks, OPUF is also resistant to reliability attacks. Later, we analyze its architecture and design, and finds that OPUF is secure against recently reported machine learning attacks. In addition, it adds only a tiny amount of area overhead to the chip, making it suitable for edge devices. The simulation results for the LR and MLP attacks show that, on average, these attacks have an accuracy of 50.69% and 49.54%, respectively, which is the least accurate result of these attacks on PUFs compared to those presented prior to OPUF.

امنيت سخت‌افزار , توابع همسان‌ناپذير فيزيكي , يادگيري ماشين , رمزنگاري سبك

Hardware Security , Physical Unclonable Function , Machine Learning , Lightweight Encryption

Mostafa Moghaddas

Hakem Beitollahi