[論文レビュー] DRAMNet: Authentication based on Physical Unique Features of DRAM Using Deep Convolutional Neural Networks

Nima Karimian, Fatemeh Tehranipoor+2 more|arXiv (Cornell University)|Feb 25, 2019

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 22被引用数 5

ひとこと要約

本稿では、深層畳み込みニューラルネットワーク（CNN）を用いてDRAM起動シーケンスの物理的固有特徴を活用する、新しい認証方式であるDRAMNetを提案する。生のDRAM起動データを2次元画像に変換し、CNNベースの分類を適用することで、3種類のCOTS DRAMにおいて、さまざまな環境条件下で98.63%の精度と98.49%の適合率を達成し、AlexNet や VGGNet などの最先端モデルを上回るか同等の性能を発揮した。

ABSTRACT

Nowadays, there is an increasing interest in the development of Autonomous Vehicles (AV). However, there are two types of attack challenges that can affect AVs and are yet to be resolved, i.e., sensor attacks and vehicle access attacks. This paper, to the best of our knowledge, is the first work that proposes a novel authentication scheme involving DRAM power-up unique features using deep Convolutional Neural Network (CNN), which can be used to implement secure access control of autonomous vehicles. Our approach consists of two parts. First, we convert raw power-up sequence data from DRAM cells into a two-dimensional (2D) format to generate a DRAM image structure. Second, we apply deep CNN to DRAM images, in order to extract unique features from each memory to classify them for authentication. To evaluate our proposed approach, we utilize data from three Commercial-Off-The-Shelf (COTS) DRAMs taken under various environmental and other conditions (high/low temperature, high/low supply voltage and aging effects). Based on our results, our proposed authentication method ``DRAMNet'' achieves 98.63% accuracy and 98.49% precision. In comparison to other state-of-the-art CNN architectures, such as the AlexNet and VGGNet models, our DRAMNet approach fares equally well or better than them.

研究の動機と目的

• センサーやアクセス攻撃による自律走行車両（AV）および無人航空機（UAV）のセキュリティ脆弱性を是正すること。
• リソース制約のあるAVおよびUAVシステムに適した低コストでリソース効率の良い認証メカニズムを開発すること。
• DRAM起動動作における内在的物理的ばらつきを、一意でクローン不能な識別子の源として活用すること。
• 実世界の環境ストレス要因を想定した条件下で、DRAM画像を用いた深層学習ベースのアプローチの認証性能を評価すること。
• 実用的応用分野、たとえば安全なアクセス制御やクライアントデバイス認証におけるDRAMNetの実現可能性と頑健性を示すこと。

提案手法

• 通常、高温・低温、高電圧・低電圧、および劣化状態の下で、3種類のCOTS DRAMモジュールから生のDRAM起動シーケンスデータを収集した。
• 生の起動シーケンスを、メモリセルの空間的・構造的関係を保持する2次元DRAM画像表現に変換した。
• これらの2次元DRAM画像を学習対象として、独自に設計した深層畳み込みニューラルネットワーク（DRAMNet）を用い、認証に適した一意の物理的特徴を抽出・分類した。
• 一般化性と頑健性を向上させるために、トレーニング段階で1枚の画像あたり6種類のクロッピング変換を含むデータ拡張技術を適用した。
• トレーニング収束性と性能を向上させるためにAdam最適化手法を採用し、すべてのモデルで精度、適合率、再現率、Fスコアが顕著に向上した。
• 精度、適合率、再現率、Fスコア、ROC曲線などの指標を用いて、AlexNet や VGGNet などの既存のCNNアーキテクチャと比較評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 変動する環境条件下におけるDRAM起動シーケンスが、デバイス認証のための信頼性のある物理的固有特徴源として機能するか？
• RQ2 深層CNNベースの分類モデルは、個々のDRAMモジュールの特徴的な起動動作に基づいてそれらを的確に区別できるか？
• RQ3 データ拡張および最適化手法の選択（例：Adam）が、DRAMベースの認証モデルの頑健性および精度にどの程度の向上効果をもたらすか？
• RQ4 AlexNet や VGGNet などの既存のCNNモデルと比較して、DRAMNetの性能はどのように差がつくか？
• RQ5 DRAMNetは、実運用環境下での制約を想定した自律走行車両や配送ドローンにおける安全なアクセス制御に実用的に応用可能か？

主な発見

• DRAMNetは、3種類のCOTSデバイスを対象に、さまざまな環境条件下で98.63%の精度と98.49%の適合率を達成した。
• データ拡張により、非拡張トレーニングと比較してDRAMNetの平均精度が8.1%向上し、顕著な頑健性の向上が確認された。
• Adam最適化手法の導入により、AlexNetで7.4%、VGGNetで6.2%、DRAMNetで8.1%の精度向上が見られ、最適化による顕著な性能向上が示された。
• Fスコア、再現率、ROC解析におけるAUCの指標において、DRAMNetはAlexNetおよびVGGNetを上回るか同等の性能を発揮した。
• ROC曲線から、高い識別能力が確認され、全テスト対象のDRAMモジュールにおいて、TPR-FPRのトレードオフが良好に維持された。
• 本手法は、追加のハードウェアを必要とせず、AVおよびUAVにおける実用的導入の可能性を示した。