[論文レビュー] RF-PUF: Enhancing IoT Security through Authentication of Wireless Nodes using In-situ Machine Learning

Baibhab Chatterjee, Debayan Das+2 more|arXiv (Cornell University)|May 3, 2018

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 26被引用数 30

ひとこと要約

本論文では、送信機に内在するRFプロセスばらつきを活用することで、追加のハードウェアを必要とせず、リアルタイムでハードウェアに根ざした認証を実現する、新しいイン・サイト機械学習フレームワークRF-PUFを提案する。深層ニューラルネットワークを用いて、LO周波数オフセットやI-Q不整合といった特徴を分析することで、変動するチャネル環境下でも最大4,800台の送信機を99.9％の精度で区別可能であり、従来の鍵ベースプロトコルに代わる軽量で安全な代替手段を提供する。

ABSTRACT

Traditional authentication in radio-frequency (RF) systems enable secure data communication within a network through techniques such as digital signatures and hash-based message authentication codes (HMAC), which suffer from key recovery attacks. State-of-the-art IoT networks such as Nest also use Open Authentication (OAuth 2.0) protocols that are vulnerable to cross-site-recovery forgery (CSRF), which shows that these techniques may not prevent an adversary from copying or modeling the secret IDs or encryption keys using invasive, side channel, learning or software attacks. Physical unclonable functions (PUF), on the other hand, can exploit manufacturing process variations to uniquely identify silicon chips which makes a PUF-based system extremely robust and secure at low cost, as it is practically impossible to replicate the same silicon characteristics across dies. Taking inspiration from human communication, which utilizes inherent variations in the voice signatures to identify a certain speaker, we present RF- PUF: a deep neural network-based framework that allows real-time authentication of wireless nodes, using the effects of inherent process variation on RF properties of the wireless transmitters (Tx), detected through in-situ machine learning at the receiver (Rx) end. The proposed method utilizes the already-existing asymmetric RF communication framework and does not require any additional circuitry for PUF generation or feature extraction. Simulation results involving the process variations in a standard 65 nm technology node, and features such as LO offset and I-Q imbalance detected with a neural network having 50 neurons in the hidden layer indicate that the framework can distinguish up to 4800 transmitters with an accuracy of 99.9% (~ 99% for 10,000 transmitters) under varying channel conditions, and without the need for traditional preambles.

研究の動機と目的

• OAuth 2.0 や HMAC といった従来のIoT認証プロトコルが鍵回収攻撃やサイドチャネル攻撃に対して脆弱であるという問題に対処すること。
• RF送信機に内在する物理的ばらつきを、一意で複製不能な識別子として活用し、安全なノード認証に応用すること。
• 事前共有鍵や従来のパリティーブルを排除し、受信機でイン・サイト機械学習を用いてRFフィンガープrintを抽出・分類することで、認証を実現すること。
• 追加の回路素子を必要とせず、既存の非対称RF通信フレームワークと互換性を持つ軽量でスケーラブルなソリューションを設計すること。
• 現実的なチャネル環境下で多数の送信機を高精度かつ高耐性で区別できるかを実証すること。

提案手法

• 65 nm CMOSプロセスノードにおけるプロセスばらつきから導出される固有のRFシグネイチャを分類するため、隠れ層に50ニューロンを有する深層ニューラルネットワークを採用する。
• 受信機で受信信号からローカルオシレータ（LO）周波数オフセットや同相／直交（I-Q）不整合といった物理層特徴を抽出する。
• イン・サイト機械学習によりリアルタイムに動作する。つまり、特徴抽出と分類がオフラインの前処理を経ずに受信信号上で直接行われる。
• 追加のハードウェアは不要で、既存のRF通信チェーンから特徴を抽出するため、後方互換性が保たれる。
• ニューラルネットワークは、製造プロセスのばらつきに起因する、微細なデバイス固有のRF動作のばらつきを認識するように学習される。
• 従来のパリティーブルに依存せず、スペクトル効率を向上させるとともに低遅延動作を実現できる。

実験結果

リサーチクエスチョン

• RQ1 RF送信機の物理層ばらつきは、信頼性高く抽出され、無線ノード認証のための一意な識別子として利用可能だろうか？
• RQ2 変動するチャネル環境下で、機械学習モデルは、デバイス固有のRF特性に基づいて複数の送信機をどれほど正確に区別できるだろうか？
• RQ3 本認証フレームワークは、最小限のハードウェアオーバーヘッドでイン・サイトに実装可能であり、既存の通信プロトコルを破壊せずに運用可能だろうか？
• RQ4 本手法を用いて、高精度で信頼性高く認証可能な送信機の最大数はいくつだろうか？
• RQ5 従来のパリティーブルや事前共有鍵が存在しない環境下で、システムはどの程度の性能を示すだろうか？

主な発見

• RF-PUFフレームワークは、イン・サイトでのRF特徴の機械学習のみを用いて、最大4,800台の無線送信機を99.9％の精度で区別する認証を達成した。
• 10,000台の送信機に対しては、同じチャネル環境下でも99％の高い精度を維持した。
• 追加のハードウェアや既存のRF通信インfraストラクチャへの変更が一切不要であり、固有のデバイスフィンガープrintが正常に同定された。
• 従来のパリティーブルを必要とせず、スペクトルオーバーヘッドを低減し、より迅速な認証が可能になった。
• ニューラルネットワークベースの分類器は、変動するチャネル環境に対しても高い耐性を示し、多様な伝搬環境でも高い性能を維持した。
• 秘密鍵ではなく、複製不能な物理的特性に依存することで、鍵回収攻撃やサイドチャネル攻撃のリスクを効果的に低減した。