SQ-PUF: پروتكل احراز هويت مبتني برPUF مقاوم در برابر حملات يادگيري ماشين

توابع غيرهمسان فيزيكي (PUF) سخت‌افزاري را براي توليد الگويي منحصربه‌فرد از چالش- پاسخ با اهداف احراز هويت و رمزگذاري ارائه مي‌دهند. يكي از ويژگي‌هاي مهم در اين مدارها غيرقابل پيش‌بيني‌بودن است؛ به اين معني كه يك مهاجم نمي‌تواند پاسخ‌هاي آينده را از مشاهدات قبلي پيش‌بيني كند. با اين حال نشان داده شده كه الگوريتم‌هاي يادگيري ماشين، تهديدي قابل توجه براي PUF ها هستند؛ زيرا آنها قادر به مدل‌سازي دقيق رفتار PUF مي‌باشند. در اين مقاله، ما تهديدات امنيتيPUF را تحليل و يك روش احراز هويت مبتني بر PUF به نام SQ-PUF را ارائه مي‌كنيم كه مي‌تواند در برابر حملات يادگيري ماشين مقاومت خوبي از خود نشان دهد. توانايي شبيه‌سازي يا پيش‌بيني آن را با مبهم‌سازي همبستگي بين جفت‌هاي چالش- پاسخ‌ها دشوار كرديم. نتايج تجربي نشان مي‌دهند كه برخلاف PUFهاي موجود، حتي با مجموعه‌اي از داده‌هاي بزرگ هم نمي‌توان به مدل SQ-PUF حمله موفقي داشت و بيشترين دقت پيش‌بيني %۵۳ است كه نشان‌دهنده غيرقابل پيش‌بيني‌بودن اين مدل مي‌باشد. علاوه بر اين، يكنواختي و يكتايي در اين مدل تقريباً با مقدار ايده‌آل در A-PUF يكسان باقي مانده است.