[論文レビュー] Physical Unclonable Functions (PUF) for IoT Devices

Abdulaziz Al-Meer, Saif Al‐Kuwari|arXiv (Cornell University)|May 17, 2022

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 13

ひとこと要約

本サーベイは、IoTデバイスにおける軽量ハードウェアセキュリティプリミティブとしての物理的クローン不能関数（PUF）について包括的な分析を提供する。製造における固有のばらつきを活用して、認証および鍵生成のための固有でクローン不能な応答を生成する。PUFアーキテクチャ、性能指標、認証プロトコル、および機械学習やサイドチャネル攻撃を含むセキュリティ脅威を評価するとともに、FPGA実装およびPUFベースのシステムにおける機密性と整合性の分野における未解決の課題を強調する。

ABSTRACT

Physical Unclonable Function (PUF) has recently attracted interested from both industry and academia as a potential alternative approach to secure Internet of Things (IoT) devices from the more traditional computational based approach using conventional cryptography. PUF is promising solution for lightweight security, where the manufacturing fluctuation process of IC is used to improve the security of IoT as it provides low complexity design and preserves secrecy. It provides less cost of computational resources which prevent high power consumption and can be implemented in both Field Programmable Gate Arrays (FPGA) and Application-Specific Integrated Circuits (ASICs). In this survey we provide a comprehensive review of the state-of-the-art of PUF, its architectures, protocols and security for IoT.

研究の動機と目的

• リソース制約のあるIoTデバイスにおける従来の暗号技術の限界、たとえば高い計算コストや量子攻撃への脆弱性を解消すること。
• 既存のサーベイにおけるギャップを埋めるために、最近の実装、品質指標、セキュリティ脅威を含むPUF技術の統合的レビューを提供すること。
• 機械学習およびサイドチャネル攻撃に対するさまざまなPUFアーキテクチャのレジリエンスを評価すること、特にFPGAベースの設計を対象とする。
• 特にPUFベース通信における機密性と整合性を実現するための未解決の研究課題を特定すること。
• セキュリティのトレードオフを分析し、強固で軽量なPUF設計のための方向性を示唆することで、今後の研究を導くこと。

提案手法

• 定義、応答生成、製造ばらつきがクローン不能性を保証する役割を含むPUFの基礎に関する体系的レビュー。
• ランダムネス、一意性、信頼性、一様性といった主要な指標を用いたPUF性能の評価と、標準化されたテストフレームワークの適用。
• RO-PUF、アービターパス、マルチプレクサPUF、メモリスティブXbarPUFなど、PUFアーキテクチャの分類と比較、およびそれらのセキュリティトレードオフの分析。
• スプーフィング耐性および鍵管理の問題を含むPUF認証プロトコルの分析、エラー訂正およびファジー抽出器の統合を含む。
• 機械学習モデル（SVM、LR、ナイーブベイズ、AdaBoost、ニューラルネットワーク）を用いたPUFに対するモデリング攻撃の評価、トレーニングデータと予測精度を指標とする。
• 電力漏れ相関を介したサイドチャネル攻撃の調査、特にアービターパスPUFにおける共有GDSレイアウトとラッチ動作を悪用するクロス-PUF攻撃の分析。

実験結果

リサーチクエスチョン

• RQ1 遅延ベース、周波数ベース、メモリスティブなどの異なるPUFアーキテクチャは、セキュリティ、ランダムネス、機械学習攻撃に対するレジリエンスの観点でどのように比較されるか？
• RQ2 機械学習モデル（例：LR、SVM、ナイーブベイズ）はPUF応答を予測するのにどの程度効果的か。非線形性（例：XORゲート）は予測精度をどのように低下させるか？
• RQ3 特に電力相関攻撃を含むサイドチャネル攻撃はPUFセキュリティをどの程度脅かすか。また、それらはどのように緩和できるか？
• RQ4 実際のIoT展開において、FPGAベースのPUF実装はASIC実装と比較して性能とセキュリティでどのように異なるか？
• RQ5 PUFを認証を超えて機密性と整合性を実現するIoT通信に応用するにあたり、未解決の課題は何か？

主な発見

• メモリスティブXbarPUFにおいて、XORベースの非線形性は機械学習による予測精度を73％から50.5％に低下させ、理想的なランダムネスに近づけ、レジリエンスを向上させる。
• 小規模データセットを用いたアービターパスPUFのテストにおいて、ナイーブベイズが最も短いトレーニング時間（0.0007秒）と最高の予測率を達成した。
• STT-MRAM再構成可能アービターパスPUFは、電力消費と応答との間に顕著な相関が認められず、サイドチャネル攻撃に対して耐性があることを示した。
• クロス-PUF攻撃は、共有GDSレイアウトを悪用して1つのPUFでモデルを学習し、他のPUFを侵害する可能性があるため、量産設計において深刻な脅威を示している。
• マルチプレクサベースのPUFはニューラルネットワークベースの予測攻撃に対して脆弱であり、高い予測率を示しており、アーキテクチャ上の弱みを示している。
• 進展は見られるが、PUFベースのシステムは依然としてネイティブな機密性と整合性のサポートを欠き、複雑性を増す外部暗号プリミティブに依存している。