[논문 리뷰] Physical Unclonable Functions (PUF) for IoT Devices

Abdulaziz Al-Meer, Saif Al‐Kuwari|arXiv (Cornell University)|2022. 05. 17.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 13

한 줄 요약

이 종합적 리뷰는 IoT 기기용 경량 하드웨어 보안 원천으로서 물리적 복제 불가능 함수(PUF)에 대한 포괄적인 분석을 제공한다. 제조 공정에서 발생하는 고유한 변동성을 활용하여 고유하고 복제 불가능한 반응을 생성함으로써 인증 및 키 생성에 활용된다. PUF 아키텍처, 성능 지표, 인증 프rotocol, 보안 위협(기계 학습 및 사이드카니널 공격 포함)을 평가하며, FPGA 구현 사례와 PUF 기반 시스템의 기밀성 및 무결성 확보 분야에서의 열린 과제를 강조한다.

ABSTRACT

Physical Unclonable Function (PUF) has recently attracted interested from both industry and academia as a potential alternative approach to secure Internet of Things (IoT) devices from the more traditional computational based approach using conventional cryptography. PUF is promising solution for lightweight security, where the manufacturing fluctuation process of IC is used to improve the security of IoT as it provides low complexity design and preserves secrecy. It provides less cost of computational resources which prevent high power consumption and can be implemented in both Field Programmable Gate Arrays (FPGA) and Application-Specific Integrated Circuits (ASICs). In this survey we provide a comprehensive review of the state-of-the-art of PUF, its architectures, protocols and security for IoT.

연구 동기 및 목표

• 자원 제약이 있는 IoT 기기에서 기존 암호 기법의 한계(높은 계산 비용 및 양자 공격에 대한 취약성 등)를 해결하기 위해.
• 최근 구현 사례, 품질 지표, 보안 위협을 포함하여 기존 리뷰에서 빈도가 낮은 분야를 메우는 종합적인 PUF 기술 리뷰를 제공하기 위해.
• 기계 학습 및 사이드카니널 공격에 대한 다양한 PUF 아키텍처의 내성 수준을 평가하기 위해, 특히 FPGA 기반 설계에서의 성능을 중심으로.
• PUF 기반 통신에서 기밀성 및 무결성을 보장하기 위한 열린 연구 과제를 특정하기 위해.
• 보안 트레이드오���을 분석하고 강력하며 경량적인 PUF 설계를 위한 방향을 제안함으로써 향후 연구를 이끌기 위해.

제안 방법

• 정의, 반응 생성, 제조 공정에서 발생하는 변동성이 복제 불가능성을 보장하는 데서 수행하는 역할 등을 포함한 PUF 기본 원리의 체계적 리뷰.
• 무작위성, 유일성, 신뢰성, 균일성 등의 핵심 지표를 사용하여 PUF 성능 평가 및 표준화된 테스트 프레임워크 적용.
• RO-PUF, 어처러 PUF, 멀티플렉서 PUF, 메모리스티브 Xbar PUF 등 PUF 아키텍처의 분류 및 비교와 그 보안 트레이드오프 분석.
• 스포핑 공격에 대한 저항성 및 키 관리 문제를 고려한 PUF 인증 프rotocol 분석과 오류 수정 및 퍼지 추출기 통합.
• 기계 학습 모델(SVM, LR, 나이브 베이즈, AdaBoost, 신경망)을 적용하여 PUF에 대한 모델링 공격 평가를 수행하고, 학습 데이터 및 예측 정확도를 지표로 사용.
• 전력 누출 상관관계를 통한 사이드카니널 공격 분석을 포함하여, Arbiter PUF의 공유 GDS 레이아웃 및 래치 동작을 악용하는 Cross-PUF 공격 탐구.

실험 결과

연구 질문

• RQ1 지연 기반, 주파수 기반, 메모리스티브 등 다양한 PUF 아키텍처는 기계 학습 공격에 대한 저항성, 무작위성 측면에서 어떻게 비교될 수 있는가?
• RQ2 기계 학습 모델(LR, SVM, 나이브 베이즈 등)의 예측 정확도는 PUF 반응 예측에 얼마나 효과적인가? 비선형성(예: XOR 게이트)은 예측 정확도를 어떻게 감소시키는가?
• RQ3 특히 전력 상관관계 공격에 기반한 사이드카니널 공격은 PUF 보안에 얼마나 심각한 영향을 미치며, 이를 어떻게 완화할 수 있는가?
• RQ4 실제 IoT 구현 환경에서 FPGA 기반 PUF 구현은 ASIC 대비 성능 및 보안 측면에서 어떻게 비교되는가?
• RQ5 PUF를 인증을 넘어 IoT 통신에서 기밀성 및 무결성을 지원하도록 확장하는 데 있어 여전히 존재하는 과제는 무엇인가?

주요 결과

• 메모리스티브 Xbar PUF에서 XOR 기반 비선형성은 기계 학습 예측 정확도를 73%에서 50.5%로 감소시켜 이상적인 무작위성에 가까워지며 내성 수준을 향상시킨다.
• 작은 데이터셋을 사용한 Arbiter PUF에 대해 나이브 베이즈는 가장 짧은 학습 시간(0.0007초)과 가장 높은 예측 정확도를 기록했다.
• STT-MRAM 재구성 가능한 어처러 PUF는 전력 소모와 반응 간에 유의미한 상관관계를 보이지 않아 사이드카니널 공격에 저항하는 것으로 나타났다.
• Cross-PUF 공격는 공유된 GDS 레이아웃을 악용하여 한 PUF에서 모델을 학습하고 다른 PUF를 해킹할 수 있어 대량 생산 설계에서 심각한 위협을 제기한다.
• 멀티플렉서 기반 PUF는 뉴럴 네트워크 기반의 예측 공격에 취약하며 높은 예측 정확도를 보여 이는 아키텍처적 취약성을 시사한다.
• 진전이 있었음에도 불구하고, PUF 기반 시스템은 여전히 기밀성 및 무결성에 대한 내재적 지원을 제공하지 못하며, 복잡성을 증가시키는 외부 암호 기반 원천에 의존하고 있다.