[论文解读] RF-PUF: IoT Security Enhancement through Authentication of Wireless Nodes using In-situ Machine Learning

Baibhab Chatterjee, Debayan Das+1 more|arXiv (Cornell University)|May 2, 2018

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 6被引用 6

一句话总结

该论文提出了一种硬件无关的物联网安全机制RF-PUF，利用现成无线收发器中固有的射频（RF）和模拟工艺失配特性，实现无需额外PUF电路的唯一设备认证。通过在接收端采用现场机器学习方法（基于深度神经网络），RF-PUF在65 nm CMOS工艺下，于不同信道条件下对10,000个不同收发器实现了低于10⁻³的误检测概率。

ABSTRACT

Physical unclonable functions (PUF) in silicon exploit die-to-die manufacturing variations during fabrication for uniquely identifying each die. Since it is practically a hard problem to recreate exact silicon features across dies, a PUFbased authentication system is robust, secure and cost-effective, as long as bias removal and error correction are taken into account. In this work, we utilize the effects of inherent process variation on analog and radio-frequency (RF) properties of multiple wireless transmitters (Tx) in a sensor network, and detect the features at the receiver (Rx) using a deep neural network based framework. The proposed mechanism/framework, called RF-PUF, harnesses already existing RF communication hardware and does not require any additional PUF-generation circuitry in the Tx for practical implementation. Simulation results indicate that the RF-PUF framework can distinguish up to 10000 transmitters (with standard foundry defined variations for a 65 nm process, leading to non-idealities such as LO offset and I-Q imbalance) under varying channel conditions, with a probability of false detection < 10e-3

研究动机与目标

• 为大规模物联网部署中日益增长的轻量化、可扩展且成本低廉的认证机制需求提供解决方案。
• 利用商用无线收发器中自然存在的射频和模拟工艺失配作为唯一设备指纹的来源。
• 通过利用现有的射频收发器并在接收端应用机器学习实现现场设备识别，从而消除对专用PUF硬件的需求。
• 确保在真实环境下对信道变化及本振频偏、正 quadrature（I/Q）不平衡等非理想因素具有鲁棒性。

提出的方法

• 利用多个无线收发器中射频和模拟组件（如本振频偏、I/Q不平衡）的固有制造失配作为唯一物理指纹。
• 在不同传播条件下，从接收端采集无线传输的原始I/Q样本。
• 应用在接收I/Q信号上训练的深度神经网络（DNN）框架，以提取并分类设备特定特征。
• 利用DNN基于细微且不可复制的射频特性区分不同收发器，而无需额外硬件。
• 采用偏置消除和误差校正技术，以在不同环境和硬件条件下稳定识别过程。
• 使用65 nm CMOS工艺模型与标准代工厂定义的工艺失配对框架进行验证。

实验结果

研究问题

• RQ1 是否可以可靠地利用商用无线收发器中自然存在的射频和模拟工艺失配，而无需额外硬件来实现设备认证？
• RQ2 在真实信道条件下，基于现场I/Q样本训练的深度神经网络在区分大量收发器时表现如何？
• RQ3 本振频偏和I/Q不平衡等非理想因素在多大程度上影响基于射频失配的设备识别可靠性？
• RQ4 所提出方法是否能在多样化的环境和硬件失配条件下保持低误检测概率？
• RQ5 该框架是否具备支持包含数千台设备的大规模物联网网络的可扩展性？

主要发现

• RF-PUF框架成功利用固有的射频和模拟工艺失配，区分多达10,000个唯一的无线收发器。
• 系统实现了低于10⁻³的误检测概率，表明在多样化信道条件下具有高度可靠性。
• 该框架无需任何额外的PUF电路，完全依赖现有射频收发器和接收端的现场机器学习。
• 深度神经网络有效学习并分类了设备特定签名，即使存在本振频偏和I/Q不平衡等非理想因素。
• 该方法在不同传播环境（包括多径衰落和路径损耗）下仍保持鲁棒性。
• 该方法具有硬件无关性，兼容标准CMOS工艺，可实现于现有物联网系统中的实际部署。