论文部分内容阅读
物理不可克隆函数（Physically Unclonable Functions,PUFs）作为一种新兴的安全电路,通过提取芯片制造差异用作加密密钥或者认证信息,有效地解决了传统安全机制易受物理攻击的问题,并具有轻量级、低成本等优势,因此PUFs已经成为信息安全领域的重要组成部分。强PUFs具有大量的激励响应,主要应用于安全认证领域。然而随着攻击技术的不断发展,侧信道攻击、错误注入攻击以及机器学习攻击已经成为PUFs的威胁。其中,机器学习攻击已经成为强PUFs的主要的威胁,仲裁器物理不可克隆函数（Arbiter PUFs,APUFs）作为一种典型的强PUFs,其机器学习预测准确率可以达到99%以上。为了抵抗机器学习攻击,本文提出了一种基于不定模型的高可靠性仲裁器物理不可克隆函数（Indefinite-Model Based Arbiter PUFs,IM-APUFs）。IM-APUFs由4-1MUX和反向器组成,通过激励配置四条上升沿信号路径。相比于标准APUFs电路,IM-APUFs结构采用4-1MUX替换了2-1MUX,使得IM-APUFs的数学模型不固定,可以有效地抵抗机器学习攻击。IM-APUFs在每一级单元中插入了反相器,有效提高了唯一性。本文结合现有多数表决方式,采用基于IM-APUFs容错协议,提高了IM-APUFs的可靠性,保证了认证准确率。实验结果显示IM-APUFs的机器学习预测准确率由标准APUFs的95%左右降为52%左右,唯一性由22%左右提高至43.6%左右,可靠性为94.34%左右,认证错误率小于1.26×10-8,并且均匀性以及位缺陷接近50%左右。与标准APUFs对比,IM-APUFs的均匀性、位缺陷、唯一性以及安全性,均有较大提升。与现有的抵抗机器学习攻击结构或方案相比,IM-APUFs结构具有安全性高、资源消耗少等优势。基于IM-APUFs的容错协议显示IM-APUFs满足可靠认证要求,所以本文所提出的IM-APUFs结构可以广泛应用于轻量级安全认证系统,具有工程应用价值。