[论文解读] 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 5

一句话总结

本文提出 DRAMNet，一种新颖的认证方案，利用深度卷积神经网络（CNN）从 DRAM 上电序列中提取物理唯一特征。通过将原始 DRAM 上电数据转换为 2D 图像并应用基于 CNN 的分类，DRAMNet 在三种商用现成（COTS）DRAM 上、在多种环境条件下实现了 98.63% 的准确率和 98.49% 的精确率，优于或匹配最先进的模型（如 AlexNet 和 VGGNet）。

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.

研究动机与目标

• 解决因传感器和访问攻击导致自动驾驶汽车（AVs）和无人飞行器（UAVs）存在的安全漏洞。
• 开发一种低成本、资源高效的认证机制，适用于资源受限的 AV 和 UAV 系统。
• 利用 DRAM 上电行为中固有的物理差异作为唯一、不可克隆标识的来源。
• 评估基于深度学习的 DRAM 图像方法在真实世界环境应力下对设备认证的性能。
• 证明 DRAMNet 在实际应用（如安全访问控制和客户端-设备认证）中的可行性和鲁棒性。

提出的方法

• 在正常、高温/低温、高/低电压以及老化条件下，从三款商用现成（COTS）DRAM 模块中采集原始 DRAM 上电序列数据。
• 将原始上电序列转换为 2D DRAM 图像表示，以保留存储单元的空间和结构关系。
• 训练一种定制的深度卷积神经网络（DRAMNet），以从这些 2D DRAM 图像中提取并分类独特的物理特征，用于认证。
• 在训练过程中应用数据增强技术，包括每张图像六种裁剪变体，以提高模型的泛化能力和鲁棒性。
• 使用 Adam 优化器以提升训练收敛性和性能，显著提高了所有模型的准确率、精确率、召回率和 F1 分数。
• 通过准确率、精确率、召回率、F1 分数和 ROC 曲线等指标，与成熟的 CNN 架构（如 AlexNet 和 VGGNet）进行对比评估。

实验结果

研究问题

• RQ1 在不同环境条件下，DRAM 上电序列是否可作为设备认证的可靠物理唯一特征来源？
• RQ2 基于深度 CNN 的分类模型在基于其独特上电行为区分 DRAM 模块方面的表现如何？
• RQ3 数据增强和优化器选择（如 Adam）在多大程度上提升了基于 DRAM 的认证模型的鲁棒性和准确率？
• RQ4 DRAMNet 在分类 DRAM 物理特征方面，与 AlexNet 和 VGGNet 等成熟 CNN 模型相比性能如何？
• RQ5 DRAMNet 是否能在真实运行约束条件下，有效应用于自动驾驶汽车和配送无人机的安全访问控制？

主要发现

• DRAMNet 在三种商用现成（COTS）设备上、在多种环境条件下对 DRAM 模块的分类实现了 98.63% 的准确率和 98.49% 的精确率。
• 与非增强训练相比，数据增强使 DRAMNet 的平均准确率提高了 8.1%，显著提升了鲁棒性。
• 使用 Adam 优化器使 AlexNet 的准确率提高 7.4%，VGGNet 提高 6.2%，DRAMNet 提高 8.1%，表明优化效果显著。
• DRAMNet 在所有指标（包括 F1 分数、召回率和 ROC 分析中的 AUC）上均优于或匹配 AlexNet 和 VGGNet。
• ROC 曲线证实了强大的区分能力，DRAMNet 在所有测试的 DRAM 模块中均表现出优异的真正率-假正率权衡。
• 该方法在 AV 和 UAV 中实现实际部署具有可行性，可在无需额外硬件的情况下实现安全设备认证。