[논문 리뷰] Set-based Obfuscation for Strong PUFs against Machine Learning Attacks

Jiliang Zhang, Chaoqun Shen|arXiv (Cornell University)|2018. 06. 06.

Physical Unclonable Functions (PUFs) and Hardware Security참고 문헌 40인용 수 6

한 줄 요약

이 논문은 강력한 PUF에 대한 강력한 기계학습 공격을 방어하기 위해 저비용으로 구현 가능한 Random Set-based Obfuscation (RSO)를 제안한다. 이 기법은 사전에 저장된 안정적인 PUF 응답 세트와 TRNG를 사용하여 도전-응답 쌍을 XOR하여 가로막으며, 최소한의 하드웨어 비용으로 기계학습 공격을 방지한다. 공격자가 임계 수치를 초과하는 도전-응답 쌍(CRPs)을 수집할 경우, 응답 세트를 즉시 갱신하여 다양한 고급 ML 모델에 대해 예측 정확도를 약 50%로 유지한다. 이는 랜덤 추측과 동일한 수준이다.

ABSTRACT

Strong physical unclonable function (PUF) is a promising solution for device authentication in resourceconstrained applications but vulnerable to machine learning attacks. In order to resist such attack, many defenses have been proposed in recent years. However, these defenses incur high hardware overhead, degenerate reliability and are inefficient against advanced machine learning attacks such as approximation attacks. In order to address these issues, we propose a Random Set-based Obfuscation (RSO) for Strong PUFs to resist machine learning attacks. The basic idea is that several stable responses are derived from the PUF itself and pre-stored as the set for obfuscation in the testing phase, and then a true random number generator is used to select any two keys to obfuscate challenges and responses with XOR operations. When the number of challenge-response pairs (CRPs) collected by the attacker exceeds the given threshold, the set will be updated immediately. In this way, machine learning attacks can be prevented with extremely low hardware overhead. Experimental results show that for a 64x64 Arbiter PUF, when the size of set is 32 and even if 1 million CRPs are collected by attackers, the prediction accuracies of Logistic regression, support vector machines, artificial neural network, convolutional neural network and covariance matrix adaptive evolutionary strategy are about 50% which is equivalent to the random guessing.

연구 동기 및 목표

• 강력한 PUF가 기계학습 공격(특히 근사화 공격 및 CMA-ES 공격)에 취약한 문제를 해결한다.
• 이전 방어 기법들이 높은 하드웨어 비용, 신뢰성 저하 또는 고급 기계학습 기법에 취약한 문제점을 해결한다.
• 모든 강력한 PUF와 호환되는 통합형, 저비용, 신뢰성 있는 가로막기 메커니즘을 설계한다.
• 지속적인 CRP 수집 상황에서도 보안을 유지하기 위해 응답 세트의 동적 갱신을 가능하게 한다.
• 자원이 제한된 IoT 환경에서의 구현 가능성을 확보한다.

제안 방법

• 초기화 단계에서 PUF 자체로부터 안정적인 응답 세트를 유도하고, 이를 가로막기 키 세트로 사전 저장한다.
• 진정한 난수 생성기(TRNG)를 사용하여 각 도전-응답 쌍에 대해 세트에서 두 개의 키를 무작위로 선택한다.
• 선택된 두 키를 사용해 비트단위 XOR 연산을 통해 도전 및 응답을 가로막는다.
• CRP 수집에 대한 임계치를 유지하며, 이를 초과할 경우 즉시 응답 세트를 갱신하여 공격자의 모델링을 방해한다.
• 테스트 단계 동안 가로막기를 적용하여 공격자가 진짜 PUF 매핑을 숨긴다.
• 가로막기 과정이 PUF의 신뢰성에 악영향을 주지 않도록 보장한다. XOR 연산은 응답의 안정성을 유지하기 때문이다.

실험 결과

연구 질문

• RQ1 저비용 가로막기 기법이 강력한 PUF에 대한 고급 기계학습 공격을 효과적으로 방어하면서도 신뢰성 저하 없이 작동할 수 있는가?
• RQ2 응답 세트의 크기가 가로막힌 PUF 시스템의 보안성과 오류율에 어떤 영향을 미치는가?
• RQ3 동적 세트 갱신이 공격자가 정확한 모델을 학습하기 위해 충분한 CRPs를 수집하는 것을 방지할 수 있는가?
• RQ4 실제 인증 환경에서 RSO가 거짓 수락률(FAR)과 거짓 기각률(FRR)에 어떤 영향을 미치는가?
• RQ5 기존의 Controlled-PUF, PUF-FSM, Slender PUF 등의 가로막기 기법과 비교했을 때 RSO의 하드웨어 비용은 어떠한가?

주요 결과

• 64×64 Arbiter PUF의 경우, 세트 크기가 32일 때, 수집된 CRPs가 100만 개에 이르더라도 테스트된 모든 ML 모델(Logistic Regression, SVM, ANN, CNN, CMA-ES)의 예측 정확도가 약 50%로 떨어진다.
• 64×64 RSO 기반 Arbiter PUF의 등가 오류율(EER)은 1.7×10⁻⁶으로, 실용적인 보안 기준을 충족한다.
• 128×128 RSO 기반 Arbiter PUF의 EER는 8.9×10⁻¹¹로 매우 낮은 오류율을 보이며 고보안 응용 분야에 적합하다.
• RSO 기반 PUF는 FPGA에서 405개의 LUT와 181개의 DFF만을 소비하여, Controlled-PUF(1830 LUT), PUF-FSM(960 LUT), Slender PUF(1168 LUT)보다 크게 낮은 하드웨어 비용을 기록한다.
• TRNG와 가로막기 논리 회로는 기존 시스템에서 재사용하거나, 비정상 상태 PUF 응답에서 유도함으로써 추가 하드웨어 비용을 최소화할 수 있다.
• 이 방법은 모든 강력한 PUF에 일반적으로 적용 가능하며, XOR 기반 가로막기의 특성 덕분에 PUF의 신뢰성이 손상되지 않는다.