[논문 리뷰] Nano-Intrinsic True Random Number Generation

Jeeson Kim, Taimur Ahmed외 7명|arXiv (Cornell University)|2017. 01. 21.

Advanced Memory and Neural Computing참고 문헌 34인용 수 5

한 줄 요약

이 논문은 비정질 SrTiO3 기반 저항성 메모리에서 발생하는 랜덤 텔레그래프 노이즈(RTN)를 수확하여 진정한 난수를 생성하기 위한 차등 회로를 제안한다. 차등 증폭기 구성을 사용하고 LFSR 기반 후처리를 통해 높은 엔트로피(0.99)를 달성하며, 모든 NIST 통계적 테스트에 통과하여 환경 노이즈, 온도 변화 및 기계학습 기반 예측 공격에 대해 뛰어난 내성을 입증한다.

ABSTRACT

Recent advances in predictive data analytics and ever growing digitalization and connectivity with explosive expansions in industrial and consumer Internet-of-Things (IoT) has raised significant concerns about security of people's identities and data. It has created close to ideal environment for adversaries in terms of the amount of data that could be used for modeling and also greater accessibility for side-channel analysis of security primitives and random number generators. Random number generators (RNGs) are at the core of most security applications. Therefore, a secure and trustworthy source of randomness is required to be found. Here, we present a differential circuit for harvesting one of the most stochastic phenomenon in solid-state physics, random telegraphic noise (RTN), that is designed to demonstrate significantly lower sensitivities to other sources of noises, radiation and temperature fluctuations. We use RTN in amorphous SrTiO3-based resistive memories to evaluate the proposed true random number generator (TRNG). Successful evaluation on conventional true randomness tests (NIST tests) has been shown. Robustness against using predictive machine learning and side-channel attacks have also been demonstrated in comparison with non-differential readouts methods.

연구 동기 및 목표

• IoT 및 임베디드 시스템에서 기존 TRNG의 환경 노이즈, 온도 변화 및 사이드 채널 공격에 대한 취약성을 해결한다.
• 공급전원 및 기준전압 노이즈로 인해 시스템적 편향과 높은 자기상관관계를 유발하는 단일단자 RTN 읽기 방식의 한계를 극복한다.
• 공통모드 간섭에 대해 본질적으로 내성을 지닌 고성능, 저전력 소비를 유지하는 하드웨어 내장형 TRNG를 개발한다.
• 장기 기억 기반 순환 신경망(LSTM)을 사용한 기계학습 기반 예측 공격에 대한 내성을 입증한다.

제안 방법

• 음성 피드백을 갖춘 차등 증폭기 회로를 구현하여 읽기 전압을 안정화하고 공급전원 및 기준전압의 공통모드 노이즈를 억제한다.
• 양측 브랜치에 비정질 SrTiO3 기반 저항성 메모리 장치(VCM-ReRAM)의 병렬 어레이를 사용하여 RTN 신호를 생성한다.
• 저전력, 소형 면적 효율성을 갖춘 LFSR 기반 후처리 유닛을 도입하여 난수성을 향상시키고 잔여 편향을 감소시킨다.
• NIST SP 800-22 통계적 테스트를 적용하여 난수성을 검증하며, 주파수, 블록 주파수, 누적합, 순차 테스트를 포함한다.
• 기계학습 모델링 하에서 생성된 비트스트림의 예측 가능성을 평가하기 위해 LSTM 기반 순환 신경망을 사용한다.
• 환경 변화 조건에서 자동상관관계, 엔트로피 및 내성 측면에서 차등 및 단일단자 RTN 읽기 방식을 비교 분석한다.

실험 결과

연구 질문

• RQ1 공급전원 및 기준전압 노이즈로 인한 편향과 자기상관관계를 단일단자 방식에 비해 차등 RTN 수확 회로가 크게 감소시킬 수 있는가?
• RQ2 환경 변화 조건 하에서도 제안된 ReRAM 기반 TRNG가 고엔트로피를 유지하고 표준 통계적 난수성 테스트를 통과할 수 있는가?
• RQ3 특히 LSTM 네트워크를 사용한 기계학습 기반 예측 공격에 대해 제안된 TRNG는 얼마나 효과적인가?
• RQ4 차등 센싱과 후처리의 조합이 저전력, 소형 하드웨어 설계에서 근접한 이상 엔트로피(1.0에 가까운 값)를 달성할 수 있는가?
• RQ5 IoT 및 임베디드 시스템에서 흔히 발생하는 온도 변화, 방사선, 공정 변동성에 대해 TRNG는 내성이 있는가?

주요 결과

• 차등 RTN 수확 회로는 단일단자 읽기 방식에 비해 자기상관관계를 크게 감소시켜 환경 노이즈로 인한 시스템적 편향이 낮음을 나타낸다.
• 원시 비트스트림의 엔트로피는 0.97에 도달하였고, 후처리를 통해 0.99로 향상되어 이상치인 1.0에 가까워졌다.
• 모든 17개의 NIST 통계적 테스트에서 유의수준 0.01 이상의 p-값을 확보하여 강력한 통계적 난수성을 입증했다.
• LSTM 기반 기계학습 예측 분석에서 평균 성공률은 50.587%(범위: 49.790%–51.385%)를 기록하여 근접한 이상의 예측 불가능성을 입증했다.
• 차등 아키텍처 덕분에 공급전원 노이즈, 온도 변화 및 전자기 간섭에 대한 내성을 확보했다.
• 최소한의 면적 및 전력 오버헤드로 고난수성을 달성하여 자원 제약이 있는 IoT 및 임베디드 보안 응용 분야에 적합하다.