20、基于单层神经网络的双稳态环PUF评估解读

基于单层神经网络的双稳态环PUF评估解读

1. 引言

物理不可克隆函数（PUFs）是具有设备特定挑战 - 响应行为的物理结构，其测量机制可以是光学、磁性或电性的。本文聚焦于强PUFs，这类PUFs旨在针对大量可能的挑战实现复杂的挑战 - 响应行为。

强PUFs在认证中非常有用，标准认证流程如下：
1. 可信第三方或设备制造商从PUF中读取大量挑战 - 响应对（CRPs）并保存到数据库。
2. 验证者向带有PUF的设备发送挑战，并将响应与可信第三方数据库中存储的响应进行比较。
3. 重复上述步骤以补偿PUF的固有测量误差，直到达到一定的置信水平。

然而，PUF存在被攻击的风险，攻击者可以创建行为与PUF实例相同的硬件或软件来预测PUF的输出。攻击者可以通过机器学习技术减少需要读取的CRPs数量，即使用部分CRPs训练机器学习模型来近似PUF实例的行为。

此前已有研究表明，一些PUF结构如仲裁器PUF可以用线性模型近似。本文使用单层人工神经网络（ANN）分析现场可编程门阵列（FPGA）上实现的双稳态环PUF（BR - PUF）及其变体扭曲双稳态环PUF（TBR - PUF）的CRP数据，以展示BR - PUF在强PUF场景中的不足。

2. 双稳态环和扭曲双稳态环PUF

• BR - PUF ：由Chen等人提出，每一级由两个与非门或两个或非门组成。每一级的挑战位决定哪个门将连接到反相器环，从而引入相应的门延迟。通过每一级后的多路复用器（MUX）和每一级前的解复用器（DEMUX）实现。创建的双稳态环将进入振荡状态，最终稳定在两个可能的稳定状态之一