[论文解读] 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 5

一句话总结

本文提出一种差分电路，用于从非晶SrTiO3基阻变存储器中采集随机跳变噪声（RTN）以生成真随机数。通过采用差分放大器结构和基于LFSR的后处理方法，该方法实现了高熵（0.99），并通过了所有NIST统计测试，展现出对环境噪声、温度波动以及基于机器学习的预测攻击的强鲁棒性。

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.

研究动机与目标

• 解决传统TRNG在物联网和嵌入式系统中对环境噪声、温度波动以及侧信道攻击的脆弱性。
• 克服单端RTN读出方式因电源和参考电压噪声导致的系统性偏差和高自相关性问题。
• 开发一种硬件嵌入式TRNG，能够天然抵御共模干扰，同时保持高熵和低功耗。
• 通过使用长短期记忆（LSTM）递归神经网络评估机器学习模型下的预测能力，验证其对机器学习预测攻击的抗性。

提出的方法

• 采用带负反馈的差分放大器电路以稳定读出电压，并抑制电源和参考电压上的共模噪声。
• 在差分电路的两条支路中并联使用非晶SrTiO3基阻变存储器器件（VCM-ReRAMs）以生成RTN信号。
• 采用低功耗、面积高效的基于LFSR的后处理单元，进一步提升随机性并减少残余偏差。
• 应用NIST SP 800-22统计测试验证随机性，包括频率测试、块频率测试、累积和测试及序列测试。
• 使用基于LSTM的递归神经网络评估生成比特流在机器学习建模下的可预测性。
• 从自相关性、熵值和环境变化下的鲁棒性等方面，对比差分与单端RTN读出方法的性能。

实验结果

研究问题

• RQ1 与单端方法相比，差分RTN采集电路是否能显著降低由电源和参考电压噪声引起的偏差与自相关性？
• RQ2 在环境波动条件下，所提出的基于ReRAM的TRNG在多大程度上能保持高熵并通过标准统计随机性测试？
• RQ3 所提出的TRNG在应对基于机器学习的预测攻击（特别是LSTM网络）时效果如何？
• RQ4 差分传感与后处理相结合是否能在低功耗、紧凑的硬件设计中实现接近理想熵（接近1.0）？
• RQ5 该TRNG是否对物联网和嵌入式系统中常见的温度变化、辐射及工艺偏差具有鲁棒性？

主要发现

• 与单端读出相比，差分RTN采集电路显著降低了自相关性，表明环境噪声引起的系统性偏差更低。
• 原始比特流的熵达到0.97，经后处理后提升至0.99，接近理想值1.0。
• 所有17项NIST统计测试的p值均高于显著性水平0.01，证实了强统计随机性。
• 使用LSTM进行机器学习预测的平均成功率仅为50.587%（范围：49.790%–51.385%），表明其接近理想的不可预测性。
• 由于差分架构的特性，该TRNG对电源电压噪声、温度波动和电磁干扰表现出良好鲁棒性。
• 所提方法以极小的面积和功耗开销实现了高随机性，适用于资源受限的物联网和嵌入式安全应用。