[논문 리뷰] RF-PUF: Enhancing IoT Security through Authentication of Wireless Nodes using In-situ Machine Learning

Baibhab Chatterjee, Debayan Das외 2명|arXiv (Cornell University)|2018. 05. 03.

Physical Unclonable Functions (PUFs) and Hardware Security참고 문헌 26인용 수 30

한 줄 요약

이 논문은 무선 IoT 노드의 실시간 하드웨어 기반 인증을 가능하게 하는 새로운 인-사이트 머신러닝 프레임워크인 RF-PUF를 제안한다. 이는 송신기의 내재된 RF 공정 변동성을 활용하여 실시간으로 작동하며, 추가 하드웨어 없이도 로컬 올리게이터(LO) 오프셋과 I-Q 불균형과 같은 특징을 분석하는 딥 뉴럴 네트워크를 사용하여, 다양한 채널 조건 하에서 최대 4,800개의 송신기를 식별하는 데 99.9%의 정확도를 달성한다. 이는 기존의 키 기반 프로토콜에 비해 경량이며 안전한 대안을 제공한다.

ABSTRACT

Traditional authentication in radio-frequency (RF) systems enable secure data communication within a network through techniques such as digital signatures and hash-based message authentication codes (HMAC), which suffer from key recovery attacks. State-of-the-art IoT networks such as Nest also use Open Authentication (OAuth 2.0) protocols that are vulnerable to cross-site-recovery forgery (CSRF), which shows that these techniques may not prevent an adversary from copying or modeling the secret IDs or encryption keys using invasive, side channel, learning or software attacks. Physical unclonable functions (PUF), on the other hand, can exploit manufacturing process variations to uniquely identify silicon chips which makes a PUF-based system extremely robust and secure at low cost, as it is practically impossible to replicate the same silicon characteristics across dies. Taking inspiration from human communication, which utilizes inherent variations in the voice signatures to identify a certain speaker, we present RF- PUF: a deep neural network-based framework that allows real-time authentication of wireless nodes, using the effects of inherent process variation on RF properties of the wireless transmitters (Tx), detected through in-situ machine learning at the receiver (Rx) end. The proposed method utilizes the already-existing asymmetric RF communication framework and does not require any additional circuitry for PUF generation or feature extraction. Simulation results involving the process variations in a standard 65 nm technology node, and features such as LO offset and I-Q imbalance detected with a neural network having 50 neurons in the hidden layer indicate that the framework can distinguish up to 4800 transmitters with an accuracy of 99.9% (~ 99% for 10,000 transmitters) under varying channel conditions, and without the need for traditional preambles.

연구 동기 및 목표

• OAuth 2.0 및 HMAC과 같은 기존 IoT 인증 프로토콜이 키 복구 및 사이드 채널 공격에 취약한 데 대비하기 위해.
• 무선 노드 인증을 위한 고유하고 복제 불가능한 식별자로 RF 송신기의 내재된 물리적 변동성을 활용하기 위해.
• 기존 공유 키나 전통적인 프리앰블에 의존하지 않고, 수신단에서 인-사이트 머신러닝을 통해 RF 지문을 추출하고 분류함으로써 인증을 수행하기 위해.
• 기존의 비대칭 RF 통신 프레임워크와 호환되며 추가 회로 없이도 경량이고 확장 가능한 솔루션을 설계하기 위해.
• 실제 채널 조건 하에서 대규모 수의 송신기를 신뢰성 있게 식별하는 데 높은 정확도와 강건성을 입증하기 위해.

제안 방법

• 65 nm CMOS 공정 노드에서 발생하는 공정 변동성에서 유도된 고유한 RF 서명을 분류하기 위해 은닉층에 50개의 뉴런을 가진 딥 뉴럴 네트워크를 사용한다.
• 수신단에서 수신 신호로부터 로컬 올리게이터(LO) 주파수 오프셋 및 정현/직각(I-Q) 불균형과 같은 물리 계층 특징을 추출한다.
• 인-사이트 머신러닝을 통해 실시간으로 작동하며, 이는 오프라인 프리프로세싱 없이도 수신 신호에서 직접 특징 추출 및 분류가 이루어짐을 의미한다.
• 추가 하드웨어가 필요 없으며, 기존의 RF 통신 체인에서 특징을 추출함으로써 후행 호환성을 유지한다.
• 신경망은 제조 공정의 편차로 인해 발생하는 미세한 기기 고유의 RF 행동 변화를 인식하도록 훈련된다.
• 기존의 프리앰블에 의존하지 않아 스펙트럼 효율을 높이고 저지연 작동을 가능하게 한다.

실험 결과

연구 질문

• RQ1 RF 송신기의 물리 계층 변동성이 신뢰성 있게 추출되어 무선 노드 인증을 위한 고유한 식별자로 사용될 수 있는가?
• RQ2 다양한 채널 조건 하에서 기계 학습 모델이 기기 고유의 RF 특성에 기반해 다수의 송신기를 얼마나 정확히 구분할 수 있는가?
• RQ3 이 인증 프레임워크는 최소한의 하드웨어 오버헤드로 인-사이트에서 구현 가능하며 기존 통신 프로토콜을 방해하지 않는가?
• RQ4 이 방법을 사용해 높은 정확도로 신뢰성 있게 인증할 수 있는 송신기의 최대 수는 얼마인가?
• RQ5 기존의 프리앰블이나 공유 키가 없는 조건에서 시스템의 성능은 어떠한가?

주요 결과

• RF-PUF 프레임워크는 인-사이트 RF 특징의 머신러닝을 통해 최대 4,800대의 무선 송신기를 식별하는 데 99.9%의 정확도를 달성한다.
• 10,000대의 송신기 경우에도 동일한 채널 조건 하에서 99%의 높은 정확도를 유지한다.
• 추가 하드웨어나 기존 RF 통신 인fra구조의 수정 없이도 고유한 기기 지문을 성공적으로 식별한다.
• 기존의 프리앰블 없이도 작동하여 스펙트럼 오버헤드를 줄이고 더 빠른 인증을 가능하게 한다.
• 신경망 기반 분류기는 다양한 전파 환경에서의 채널 조건 변화에 강건성을 보이며 높은 성능을 유지한다.
• 기밀 키가 아닌 복제 불가능한 물리적 특성에 의존함으로써 키 복구 및 사이드 채널 공격과 관련된 위험을 효과적으로 완화한다.