[논문 리뷰] DRAMNet: Authentication based on Physical Unique Features of DRAM Using Deep Convolutional Neural Networks

Nima Karimian, Fatemeh Tehranipoor외 2명|arXiv (Cornell University)|2019. 02. 25.

Physical Unclonable Functions (PUFs) and Hardware Security참고 문헌 22인용 수 5

한 줄 요약

이 논문은 깊이 합성 신경망(DCNN)을 사용하여 DRAM 전원 켜기 시퀀스에서 유도된 물리적 고유 특성을 활용하는 새로운 인증 기법인 DRAMNet을 제안한다. 원시 DRAM 전원 켜기 데이터를 2차원 이미지로 변환하고 DCNN 기반 분류를 적용함으로써, 다양한 환경 조건 하에서 세 대의 상용 DRAM(COTS)에서 98.63%의 정확도와 98.49%의 정밀도를 달성하였으며, AlexNet 및 VGGNet과 같은 최첨단 모델보다 뛰어나거나 동등한 성능을 보였다.

ABSTRACT

Nowadays, there is an increasing interest in the development of Autonomous Vehicles (AV). However, there are two types of attack challenges that can affect AVs and are yet to be resolved, i.e., sensor attacks and vehicle access attacks. This paper, to the best of our knowledge, is the first work that proposes a novel authentication scheme involving DRAM power-up unique features using deep Convolutional Neural Network (CNN), which can be used to implement secure access control of autonomous vehicles. Our approach consists of two parts. First, we convert raw power-up sequence data from DRAM cells into a two-dimensional (2D) format to generate a DRAM image structure. Second, we apply deep CNN to DRAM images, in order to extract unique features from each memory to classify them for authentication. To evaluate our proposed approach, we utilize data from three Commercial-Off-The-Shelf (COTS) DRAMs taken under various environmental and other conditions (high/low temperature, high/low supply voltage and aging effects). Based on our results, our proposed authentication method ``DRAMNet'' achieves 98.63% accuracy and 98.49% precision. In comparison to other state-of-the-art CNN architectures, such as the AlexNet and VGGNet models, our DRAMNet approach fares equally well or better than them.

연구 동기 및 목표

• 센서 및 접근 공격으로 인한 자율 주행 차량(AV)과 무인 항공기(UAV)의 보안 취약점을 해결하기 위해.
• 자원 제약이 있는 AV 및 UAV 시스템에 적합한 저비용, 자원 효율적인 인증 메커니즘을 개발하기 위해.
• DRAM 전원 켜기 행동의 내재된 물리적 변동성을 고유하고 복제 불가능한 식별자로 활용하기 위해.
• 실제 환경 스트레스 요인 하에서 DRAM 이미지를 활용한 딥러닝 기반 접근 방식의 성능을 평가하기 위해.
• 실제 응용 분야인 안전한 액세스 제어 및 클라이언트-장치 인증에서 DRAMNet의 실현 가능성과 강건성을 입증하기 위해.

제안 방법

• 정상, 고온/저온, 고전압/저전압, 노후화 조건에서 세 대의 상용 DRAM 모듈에서 원시 DRAM 전원 켜기 시퀀스 데이터를 측정하였다.
• 메모리 셀의 공간적 및 구조적 관계를 유지하기 위해 원시 전원 켜기 시퀀스를 2차원 DRAM 이미지 표현으로 변환하였다.
• 이 2차원 DRAM 이미지에서 고유한 물리적 특징을 추출하고 분류하기 위해 맞춤형 깊이 합성 신경망(DRAMNet)을 훈련시켰다.
• 모델 일반화 및 강건성을 향상시키기 위해 훈련 중에 이미지당 6가지의 자르기 변형을 포함한 데이터 증강 기법을 적용하였다.
• 학습 수렴과 성능 향상을 향상시키기 위해 Adam 최적화기를 사용하여, 모든 모델에서 정확도, 정밀도, 재현율 및 F-스코어가 크게 향상되었다.
• 정확도, 정밀도, 재현율, F-스코어, ROC 곡선 등의 지표를 사용하여 기존의 CNN 아키텍처(AlexNet 및 VGGNet)와의 비교 평가를 수행하였다.

실험 결과

연구 질문

• RQ1 다양한 환경 조건에서의 DRAM 전원 켜기 시퀀스가 장치 인증을 위한 신뢰할 수 있는 물리적 고유 특성의 근원이 될 수 있는가?
• RQ2 딥 컨볼루션 신경망 기반 분류 모델은 고유한 전원 켜기 행동을 바탕으로 DRAM 모듈을 구분하는 데 얼마나 잘 성능을 내는가?
• RQ3 데이터 증강 및 최적화기 선택(예: Adam)이 DRAM 기반 인증 모델의 강건성과 정확도에 얼마나 기여하는가?
• RQ4 DRAMNet는 AlexNet 및 VGGNet과 같은 기존의 CNN 모델에 비해 DRAM 기반 물리적 특징을 분류하는 데에서 어떤 성능을 보이는가?
• RQ5 DRAMNet는 실생활 운영 제약 조건 하에서 자율 주행 차량 및 배달 드론의 안전한 액세스 제어에 효과적으로 적용될 수 있는가?

주요 결과

• DRAMNet는 다양한 환경 조건 하에서 세 대의 상용 DRAM 장치를 대상으로 98.63%의 정확도와 98.49%의 정밀도를 달성하였다.
• 데이터 증강은 비증강 훈련 대비 DRAMNet의 평균 정확도를 8.1% 향상시켜 강건성을 크게 향상시켰다.
• Adam 최적화기를 사용함으로써 AlexNet의 정확도는 7.4% 향상되었고, VGGNet는 6.2%, DRAMNet는 8.1% 향상되어 강력한 최적화 성과를 보였다.
• F-스코어, 재현율, ROC 분석에서의 AUC 등 모든 지표에서 DRAMNet는 AlexNet 및 VGGNet를 능가하거나 동등한 성능을 보였다.
• ROC 곡선은 높은 분류 능력을 확인하였으며, 모든 테스트된 DRAM 모듈에서 DRAMNet는 강력한 TPR-FPR 트레이드오프를 보였다.
• 이 방법은 자율 주행 차량 및 무인 항공기에서의 실생활 구현 가능성을 입증하였으며, 추가 하드웨어 없이도 안전한 장치 인증을 가능하게 하였다.