基于人工神经网络特征向量提取的FF-APUF攻击方法

• 作者: 马雪娇 李刚
• 来源期刊: 电子与信息学报
• 关键词: 物理不可克隆函数 触发器-仲裁器物理不可克隆函数 人工神经网络 特征向量提取
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 硬件安全专题|Special Issue on Hardware Security
• 页码范围: 2498-2507
• 页数: 10页
• 分类号: TN918|TP331
• 语种: 中文
• DOI: 10.11999/JEIT210614

摘要

为评估物理不可克隆函数(PUF)的安全性,需针对不同的PUF结构设计相应的攻击方法.该文通过对强PUF电路结构和工作机理的研究,利用人工神经网络(ANN)提出一种针对触发器-仲裁器物理不可克隆函数(FF-APUF)的有效攻击方法.首先,根据FF-APUF电路结构,利用多维数组构建电路延时模型;然后,对FF-APUF的二进制激励进行邻位划分,将划分后的激励转换为十进制并表示为行向量,实现特征向量提取;最后,基于提取的特征向量利用ANN构建攻击模型并通过后向传播算法获得最优参数.实验结果表明,相同条件下攻击预测率均高于其他3种常用的机器学习方法,尤其当激励响应对(CRP)数量较少、激励位数较多时,优势更加明显.当激励位数为128、CRP个数为100和500时,平均攻击预测率分别提高36.0％和16.1％.此外,该方法具有良好的鲁棒性和可扩展性,不同噪声系数下攻击预测率与可靠性相差最大仅0.32％.