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

Baibhab Chatterjee, Debayan Das+1 more|arXiv (Cornell University)|May 2, 2018

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 6被引用数 6

ひとこと要約

本論文では、市販の無線送信機に内在するRFおよびアナログプロセス変動を活用して、追加のPUF回路を必要とせずに独自のデバイス認証を可能にするハードウェアに依存しないIoTセキュリティメカニズム、RF-PUFを提案する。受信機でイン・サイトの機械学習を実行する深層ニューラルネットワークを用いて、65 nm CMOSプロセスで10,000台の異なる送信機に対して、変動するチャネル条件のもとで10⁻³未満の誤検出確率を達成する。

ABSTRACT

Physical unclonable functions (PUF) in silicon exploit die-to-die manufacturing variations during fabrication for uniquely identifying each die. Since it is practically a hard problem to recreate exact silicon features across dies, a PUFbased authentication system is robust, secure and cost-effective, as long as bias removal and error correction are taken into account. In this work, we utilize the effects of inherent process variation on analog and radio-frequency (RF) properties of multiple wireless transmitters (Tx) in a sensor network, and detect the features at the receiver (Rx) using a deep neural network based framework. The proposed mechanism/framework, called RF-PUF, harnesses already existing RF communication hardware and does not require any additional PUF-generation circuitry in the Tx for practical implementation. Simulation results indicate that the RF-PUF framework can distinguish up to 10000 transmitters (with standard foundry defined variations for a 65 nm process, leading to non-idealities such as LO offset and I-Q imbalance) under varying channel conditions, with a probability of false detection < 10e-3

研究の動機と目的

• 大規模なIoT展開における、軽量でスケーラブルかつコスト効率の良い認証メカニズムの増大するニーズに対処すること。
• 市販の無線送信機に自然に存在するRFおよびアナログプロセス変動を、独自のデバイスフィンガープrintのソースとして活用すること。
• 既存のRFレシーバーを活用し、受信機で機械学習を実行してイン・サイトでのデバイス識別を実現することで、専用のPUFハードウェアの必要性を排除すること。
• 実環境におけるLOオフセットやI/Qアンバランスなどの非理想性に対しても、耐障害性を確保すること。

提案手法

• 複数の無線送信機に内在するRFおよびアナログ部品（例：ローカルオシレーターオフセット、I/Qアンバランス）の製造上のばらつきを、独自の物理的フィンガープリントとして活用する。
• 異なる伝搬条件のもとで、受信機が無線送信から得た原始的なI/Qサンプルを収集する。
• 受信したI/Q信号を学習した深層ニューラルネットワーク（DNN）フレームワークを適用し、デバイス固有の特徴を抽出・分類する。
• 追加のハードウェアを必要とせず、再現不能な微細なRF特性に基づいて送信機を識別する。
• バイアス除去および誤り訂正技術を用いて、環境的およびハードウェア的条件の変化にわたる識別プロセスの安定化を図る。
• 標準のファブリケーションプロセスで定義されたプロセスばらつきを用いて、65 nm CMOSプロセスモデルでフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 市販の無線レシーバーに自然に存在するRFおよびアナログプロセス変動を、追加のハードウェアを必要とせずに信頼性高くデバイス認証に利用できるか？
• RQ2 イン・サイトのI/Qサンプルを学習した深層ニューラルネットワークは、実環境のチャネル条件のもとで、多数の送信機をどれほど正確に区別できるか？
• RQ3 LOオフセットやI/Qアンバランスなどの非理想性が、RF変動を用いたデバイス識別の信頼性にどの程度影響を及えるか？
• RQ4 提案手法は、多様な環境的およびハードウェア的ばらつきに対しても、低誤検出確率を維持できるか？
• RQ5 本フレームワークは、数千台のデバイスをサポートする大規模なIoTネットワークにスケーラブルか？

主な発見

• RF-PUFフレームワークは、内在するRFおよびアナログプロセス変動のみを用いて、最大10,000台の異なる無線送信機を識別することに成功した。
• 本システムは、多様なチャネル条件のもとで10⁻³未満の誤検出確率を達成し、高い信頼性を示した。
• 本フレームワークは、PUF回路を一切追加せず、既存のRFレシーバーと受信機でのイン・サイトの機械学習に依存している。
• 深層ニューラルネットワークは、LOオフセットやI/Qアンバランスなどの非理想性に対しても、効果的にデバイス固有のシグネチャを学習・分類した。
• マルチパスフェージングやパスロスを含む、さまざまな伝搬環境に対しても、本手法は耐障害性を示した。
• 本手法はハードウェアに依存せず、標準のCMOSプロセスと互換性があるため、既存のIoTシステムへの実用的導入が可能である。