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

Baibhab Chatterjee, Debayan Das외 1명|arXiv (Cornell University)|2018. 05. 02.

Physical Unclonable Functions (PUFs) and Hardware Security참고 문헌 6인용 수 6

한 줄 요약

이 논문은 추가적인 PUF 회로가 필요 없이 상용 무선 송신기 내재의 RF 및 아날로그 공정 변동성을 활용하여 고유한 장치 인증을 가능하게 하는 하드웨어 독립형 IoT 보안 메커니즘인 RF-PUF를 제안한다. 수신기에서 현장 내 기계학습을 통해 딥 네URAL 네트워크를 적용함으로써, 65 nm CMOS 공정에서 다양한 채널 조건 하에 10,000대의 별도의 송신기에서 <10⁻³의 오류 탐지 확률을 달성한다.

ABSTRACT

Physical unclonable functions (PUF) in silicon exploit die-to-die manufacturing variations during fabrication for uniquely identifying each die. Since it is practically a hard problem to recreate exact silicon features across dies, a PUFbased authentication system is robust, secure and cost-effective, as long as bias removal and error correction are taken into account. In this work, we utilize the effects of inherent process variation on analog and radio-frequency (RF) properties of multiple wireless transmitters (Tx) in a sensor network, and detect the features at the receiver (Rx) using a deep neural network based framework. The proposed mechanism/framework, called RF-PUF, harnesses already existing RF communication hardware and does not require any additional PUF-generation circuitry in the Tx for practical implementation. Simulation results indicate that the RF-PUF framework can distinguish up to 10000 transmitters (with standard foundry defined variations for a 65 nm process, leading to non-idealities such as LO offset and I-Q imbalance) under varying channel conditions, with a probability of false detection &lt; 10e-3

연구 동기 및 목표

• 대규모 IoT 구현 환경에서 경량화, 확장성, 비용 효율적인 인증 메커니즘이 증가하는 필요성을 해결하기 위해.
• 상용 무선 송신기 내에서 자연 발생하는 RF 및 아날로그 공정 변동성을 고유한 장치 지문의 원천으로 활용하기 위해.
• 기존 RF 트랜ce이버를 활용하고 수신기에서 기계학습을 적용하여 현장 내 장치 식별을 수행함으로써 전용 PUF 하드웨어가 필요 없도록 하기 위해.
• 실세계 조건에서 로컬 옥시라이저 오프셋 및 I/Q 불균형과 같은 채널 변동성 및 비이상적 요소에 대한 강건성을 확보하기 위해.

제안 방법

• 다양한 무선 송신기 간의 RF 및 아날로그 구성 요소(예: 로컬 옥시라이저 오프셋, I/Q 불균형)의 내재된 제조 변동성을 고유한 물리적 지문으로 활용한다.
• 다양한 전파 조건 하에서 수신기에서 무선 전송의 원시 I/Q 샘플을 수집한다.
• 수신된 I/Q 신호에 기반하여 훈련된 딥 네URAL 네트워크(DNN) 프레임워크를 적용하여 장치 고유의 특징을 추출하고 분류한다.
• 추가 하드웨어가 필요 없이도 비복제 가능한 미세한 RF 특성에 기반하여 송신기를 식별하기 위해 DNN을 활용한다.
• 환경 및 하드웨어 조건의 변화에 걸쳐 식별 과정을 안정화시키기 위해 편향 제거 및 오류 수정 기법을 적용한다.
• 표준 공급업체 정의 공정 변동성을 포함한 65 nm CMOS 공정 모델을 사용하여 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 상용 무선 트랜시iever 내에서 자연 발생하는 RF 및 아날로그 공정 변동성을 추가 하드웨어 없이 신뢰성 있게 장치 인증에 활용할 수 있는가?
• RQ2 현장 내 I/Q 샘플에 기반한 딥 네URAL 네트워크가 실세계 채널 조건 하에서 대규모 수의 송신기 간에 얼마나 잘 구분할 수 있는가?
• RQ3 로컬 옥시라이저 오프셋 및 I/Q 불균형과 같은 비이상적 요소가 RF 변동성을 활용한 장치 식별의 신뢰성에 어느 정도 영향을 미치는가?
• RQ4 제안된 방법이 다양한 환경적 및 하드웨어 변동성 조건에서도 낮은 오류 탐지 확률을 유지할 수 있는가?
• RQ5 이 프레임워크는 수천 대의 장치를 지원하는 대규모 IoT 네트워크에 확장 가능한가?

주요 결과

• RF-PUF 프레임워크는 유일한 무선 송신기 최대 10,000대를 유저 RF 및 아날로그 공정 변동성만을 활용하여 성공적으로 식별한다.
• 시스템은 다양한 채널 조건 하에서도 10⁻³ 이하의 오류 탐지 확률을 달성하여 높은 신뢰성을 입증한다.
• 프레임워크는 추가적인 PUF 회로가 전혀 필요 없으며, 유일하게 기존 RF 트랜시iever와 수신기에서의 현장 내 기계학습에 의존한다.
• 딥 네URAL 네트워크는 로컬 옥시라이저 오프셋 및 I/Q 불균형과 같은 비이상적 요소가 존재하더라도 장치 고유의 서명을 효과적으로 학습하고 분류한다.
• 다중 경로 페이딩 및 경로 손실을 포함한 다양한 전파 환경에서도 방법이 강건함을 입증한다.
• 이 방법은 하드웨어 독립적이며 표준 CMOS 공정과 호환되어 기존 IoT 시스템에 실용적으로 구현 가능하다.