[論文レビュー] Set-based Obfuscation for Strong PUFs against Machine Learning Attacks

Jiliang Zhang, Chaoqun Shen|arXiv (Cornell University)|Jun 6, 2018

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 40被引用数 6

ひとこと要約

本稿では、強力なPUFに対する軽量な防御手法であるランダムセットベースのオブスカリオン（RSO）を提案する。RSOは、事前に保存された安定したPUF応答のセットとTRNGを用い、チャレンジ・リスポンスペア（CRP）をXORでオブスカリズする。これにより、機械学習攻撃に対する防御が実現され、ハードウェアコストは最小限に抑えられる。攻撃者が閾値を超える数のCRPを収集しても、セットが更新され、複数の高度なMLモデルにおいても予測精度が約50％に抑えられ、ランダム推測と同等の水準を維持する。

ABSTRACT

Strong physical unclonable function (PUF) is a promising solution for device authentication in resourceconstrained applications but vulnerable to machine learning attacks. In order to resist such attack, many defenses have been proposed in recent years. However, these defenses incur high hardware overhead, degenerate reliability and are inefficient against advanced machine learning attacks such as approximation attacks. In order to address these issues, we propose a Random Set-based Obfuscation (RSO) for Strong PUFs to resist machine learning attacks. The basic idea is that several stable responses are derived from the PUF itself and pre-stored as the set for obfuscation in the testing phase, and then a true random number generator is used to select any two keys to obfuscate challenges and responses with XOR operations. When the number of challenge-response pairs (CRPs) collected by the attacker exceeds the given threshold, the set will be updated immediately. In this way, machine learning attacks can be prevented with extremely low hardware overhead. Experimental results show that for a 64x64 Arbiter PUF, when the size of set is 32 and even if 1 million CRPs are collected by attackers, the prediction accuracies of Logistic regression, support vector machines, artificial neural network, convolutional neural network and covariance matrix adaptive evolutionary strategy are about 50% which is equivalent to the random guessing.

研究の動機と目的

• 強力なPUFが機械学習攻撃（特に近似攻撃およびCMA-ES攻撃）に対して脆弱である問題に対処すること。
• 高いハードウェアコスト、信頼性の低下、または高度なML技術に対して失敗するといった、従来の防御手法の限界を克服すること。
• すべての強力なPUFと互換性があり、汎用的で、低コストかつ信頼性の高いオブスカリゼーション機構を設計すること。
• 継続的なCRP収集に対してもセキュリティを維持できるように、動的セット更新を可能にすること。
• リソース制限のあるIoT環境でも実装可能な解決策を提供すること。

提案手法

• 初期化段階でPUF自体から安定した応答のセットを導出し、事前にオブスカリゼーションキー・セットとして保存する。
• 真の乱数生成装置（TRNG）を用い、各チャレンジ・リスポンスペアに対してセット内の2つのキーをランダムに選択する。
• 選択された2つのキーを用いて、ビット単位のXOR演算によりチャレンジとリスポンスをオブスカリズする。
• CRP収集の閾値を維持する。閾値を超えた場合、直ちに応答セットを更新して攻撃者のモデル構築を妨げる。
• テスト段階においてもオブスカリゼーションを適用し、攻撃者が真のPUFマッピングを隠す。
• XORによるオブスカリゼーションの性質により、PUFの信頼性が低下しないことを保証する。

実験結果

リサーチクエスチョン

• RQ1 低コストなオブスカリゼーション技術は、信頼性の低下を伴わずに、強力なPUFに対する高度な機械学習攻撃を効果的に防げるか？
• RQ2 応答セットのサイズが、オブスカリゼートされたPUFシステムのセキュリティと誤り率に与える影響は何か？
• RQ3 動的セット更新により、攻撃者が十分な数のCRPを収集して高精度なモデルを訓練するのを防げるか？
• RQ4 実用的な認証シナリオにおいて、RSOが偽陽性率（FAR）および偽陰性率（FRR）に与える影響は何か？
• RQ5 既存のオブスカリゼーション技術（Controlled-PUF、PUF-FSM、Slender PUF）と比較して、RSOのハードウェアコストはどの程度か？

主な発見

• 64×64のアービターPUFにおいて、セットサイズが32の場合、収集されたCRPが100万件に達しても、テストした全MLモデル（ロジスティック回帰、SVM、ANN、CNN、CMA-ES）の予測精度が約50％に低下する。
• 64×64のRSOベースのアービターPUFの等誤り率（EER）は1.7×10⁻⁶であり、実用的なセキュリティ基準を満たしている。
• 128×128のRSOベースのアービターPUFでは、EERが8.9×10⁻¹¹にまで低下し、極めて低い誤り率を示しており、高セキュリティ要件に適している。
• RSOベースのPUFはFPGA上での実装で405 LUTおよび181 DFFを消費し、Controlled-PUF（1830 LUT）、PUF-FSM（960 LUT）、Slender PUF（1168 LUT）と比較して顕著に少ない。
• TRNGおよびオブスカリゼーション論理は、既存のシステムから再利用可能であるか、または準安定PUF応答から導出可能であり、追加のハードウェアコストを最小限に抑える。
• 本手法はすべての強力なPUFに普遍的に適用可能であり、XORベースのオブスカリゼーションの性質により、PUFの信頼性が損なわれない。