[论文解读] Exploiting PUF Models for Error Free Response Generation

Yansong Gao, Hua Ma+6 more|arXiv (Cornell University)|Jan 28, 2017

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 20被引用 3

一句话总结

该论文提出一种基于模型的方法，通过使用在10,000组标称条件下CRP上训练的统计延迟模型，无需片上纠错或辅助数据，即可生成无错误的Arbiter PUF响应。该方法选择在±20%电压和40°C温度变化下仍能产生可靠响应的挑战，在八个真实APUF上实现Δt = 1.7时BER为0%，即使原始BER高达16.68%。

ABSTRACT

Physical unclonable functions (PUF) extract secrets from randomness inherent in manufacturing processes. PUFs are utilized for basic cryptographic tasks such as authentication and key generation, and more recently, to realize key exchange and bit commitment requiring a large number of error free responses from a strong PUF. We propose an approach to eliminate the need to implement expensive on-chip error correction logic implementation and the associated helper data storage to reconcile naturally noisy PUF responses. In particular, we exploit a statistical model of an Arbiter PUF (APUF) constructed under the nominal operating condition during the challenge response enrollment phase by a trusted party to judiciously select challenges that yield error-free responses even across a wide operating conditions, specifically, a $ \pm 20\% $ supply voltage variation and a $ 40^{\crc} $ temperature variation. We validate our approach using measurements from two APUF datasets. Experimental results indicate that large number of error-free responses can be generated on demand under worst-case when PUF response error rate is up to 16.68\%.

研究动机与目标

• 解决为高级密码协议（如密钥交换和比特承诺）生成大量无错误PUF响应的挑战。
• 消除片上纠错逻辑和辅助数据存储的需要，这些在高吞吐量密钥生成中成本高且存在信息泄漏风险。
• 克服全面CRP表征的局限性，并降低强PUF系统中的开销。
• 通过在注册阶段构建的轻量级统计模型，实现在需要时可靠地生成响应。
• 确保所选响应保持足够的随机性，且不偏向0或1。

提出的方法

• 使用在标称工作条件下采集的10,000组挑战-响应对，构建APUF的统计延迟模型。
• 利用测量到的工艺失配数据和统计拟合，对APUF中每个多路复用器级的传播延迟进行建模。
• 将可靠性阈值Δt定义为竞争路径之间最小的时序余量，以确保在工艺和环境变化下实现无错误响应。
• 在运行时通过使用预构建模型仿真响应可靠性来筛选挑战，仅选择Δt ≥ 1.7的挑战，以保证输出无错误。
• 使用真实APUF数据集在不同电源电压和温度下验证模型预测的准确性。
• 确保所选响应的随机性接近50%，确认其具有密码学可用性。

实验结果

研究问题

• RQ1 能否使用统计PUF模型在无需片上纠错的情况下，预测宽范围工作条件下的无错误响应？
• RQ2 在真实APUF中，为在±20%电压和40°C温度变化下保证0% BER，所需的最小时序余量（Δt）是多少？
• RQ3 基于模型的挑战筛选是否会引入响应随机性的偏差，从而削弱密码学安全性？
• RQ4 使用该方法可按需生成多少无错误响应？CRP的损失率是多少？
• RQ5 该方法能否应用于FPGA上实现的真实APUF，且无需额外硬件开销？

主要发现

• 当Δt ≥ 1.7时，该方法在所有八个测试APUF上均实现0%误码率（BER），即使在最坏情况的±20%电压和40°C温度变化下也成立。
• 在默认条件下，八个APUF中的最大原始BER为16.68%，但该方法仍可通过基于模型的挑战选择实现无错误响应。
• 超过1%的挑战满足无错误标准（Δt ≥ 1.7），表明存在大量可用且可靠的响应。
• 所有Δt设置下响应随机性均接近50%，证实筛选过程未引入偏差或降低熵。
• 在真实APUF数据上的模型预测准确率为92.41%，略低于合成模型，原因在于名义BER更高以及FPGA PDL的非线性。
• 该方法在PUF设备上不引入面积或功耗开销，因为所有计算均在可信服务器上离线完成。