[論文レビュー] Nano-Intrinsic True Random Number Generation

Jeeson Kim, Taimur Ahmed+7 more|arXiv (Cornell University)|Jan 21, 2017

Advanced Memory and Neural Computing参考文献 34被引用数 5

ひとこと要約

本稿では、非晶質SrTiO3ベースの抵抗性メモリからランダムテレグラフノイズ（RTN）を収集し、真の乱数を生成するための微分回路を提示する。微分アンプ構成とLFSRベースの後処理を用いることで、高いエントロピー（0.99）を達成し、すべてのNIST統計的検定に合格し、環境ノイズ、温度変動、機械学習ベースの予測攻撃に対して堅牢であることが示された。

ABSTRACT

Recent advances in predictive data analytics and ever growing digitalization and connectivity with explosive expansions in industrial and consumer Internet-of-Things (IoT) has raised significant concerns about security of people's identities and data. It has created close to ideal environment for adversaries in terms of the amount of data that could be used for modeling and also greater accessibility for side-channel analysis of security primitives and random number generators. Random number generators (RNGs) are at the core of most security applications. Therefore, a secure and trustworthy source of randomness is required to be found. Here, we present a differential circuit for harvesting one of the most stochastic phenomenon in solid-state physics, random telegraphic noise (RTN), that is designed to demonstrate significantly lower sensitivities to other sources of noises, radiation and temperature fluctuations. We use RTN in amorphous SrTiO3-based resistive memories to evaluate the proposed true random number generator (TRNG). Successful evaluation on conventional true randomness tests (NIST tests) has been shown. Robustness against using predictive machine learning and side-channel attacks have also been demonstrated in comparison with non-differential readouts methods.

研究の動機と目的

• IoTおよび埋め込みシステムにおける従来のTRNGが環境ノイズ、温度変動、サイドチャネル攻撃に対して脆弱であるのを是正すること。
• 電源および基準電圧ノイズによる系統的バイアスと高い自己相関を引き起こす単一端子RTN読み出しの限界を克服すること。
• 共通モードの撹乱に対して本質的に耐性があり、高いエントロピーと低消費電力の維持を両立するハードウェア埋め込みTRNGを開発すること。
• 長短記憶（LSTM）を持つ再帰的ニューラルネットワークを用いた機械学習ベースの予測攻撃に対して、耐性を示すことを実証すること。

提案手法

• 負帰還を用いた微分アンプ回路を実装し、読み取り電圧を安定化させ、電源および基準電圧の共通モードノイズを抑制する。
• 微分回路の両ブランチに非晶質SrTiO3ベースの抵抗性メモリ素子（VCM-ReRAM）の並列アレイを用い、RTN信号を生成する。
• 低消費電力で面積効率の良いLFSRベースの後処理ユニットを採用し、さらにランダムネスを向上させ、残存バイアスを低減する。
• NIST SP 800-22の統計的検定（周波数、ブロック周波数、累積和、およびシリアルテストを含む）を適用し、ランダムネスを検証する。
• 機械学習モデルとしてLSTMを用いた再帰的ニューラルネットワークを用い、生成されたビットストリームの予測可能性を評価する。
• 環境変動下における自己相関、エントロピー、耐性の観点から、微分および単一端子RTN読み出し法を比較する。

実験結果

リサーチクエスチョン

• RQ1 微分RTN収集回路は、単一端子法と比較して、電源および基準電圧ノイズによって引き起こされるバイアスおよび自己相関を顕著に低減できるか？
• RQ2 提案されたReRAMベースのTRNGは、環境変動下でも高いエントロピーを維持し、標準的な統計的ランダムネス検定に合格するか？
• RQ3 提案されたTRNGは、特にLSTMネットワークを用いた機械学習ベースの予測攻撃に対して、どの程度効果的か？
• RQ4 微分センシングと後処理の組み合わせにより、低消費電力かつコンactなハードウェア設計で近似的に理想のエントロピー（1.0に近い）を達成できるか？
• RQ5 TRNGは、IoTおよび埋め込みシステムで一般的に見られる温度変動、放射線、プロセス変動に対して耐性を示せるか？

主な発見

• 微分RTN収集回路は、単一端子読み出しと比較して自己相関を顕著に低減しており、環境ノイズによる系統的バイアスが小さいことが示された。
• 生のビットストリームのエントロピーは0.97に達し、後処理により0.99に向上し、理想値1.0に近づいた。
• すべての17個のNIST統計的検定でp値が有意水準0.01以上を満たし、強い統計的ランダムネスが確認された。
• LSTMを用いた機械学習による予測では平均成功率が50.587%（範囲：49.790%〜51.385%）にとどまり、近似的に理想の予測不能性が示された。
• 微分構造のおかげで、電源電圧ノイズ、温度変動、電磁干渉に対して耐性を示した。
• 提案手法は最小限の面積および消費電力オーバーヘッドで高いランダムネスを達成し、リソース制限のあるIoTおよび埋め込みセキュリティ用途に適している。