7、机器学习在安全硬件设计中的应用与物理不可克隆函数的攻防挑战

机器学习在安全硬件设计中的应用与物理不可克隆函数的攻防挑战

1. 机器学习在硬件安全中的应用

1.1 KU AES - PUF架构及性能

KU AES - PUF架构旨在增强对侧信道攻击（SCA）的抵抗能力。其顶层架构中，128位AES用于加密第一个128位仲裁器PUF的响应R1，同时R1还用于掩码密钥kc，使得每次向PUF施加新挑战时，AES的密钥都会更新。加密后的输出R2输入到第二个128位仲裁器PUF以生成最终响应R3。

通过CNN进行深度学习（DL）攻击的对比测试显示，KU AES - PUF具有很强的抗预测性。如下表所示，即使使用100万个挑战 - 响应对（CRPs）训练网络模型，其测试准确率也仅在0.5左右；而128位仲裁器PUF在仅使用10万个CRPs训练时，测试准确率就高达92.7%。这表明使用AES块对CRPs进行加密有助于提高对DL攻击的抵抗力，但必须防止密钥kc泄露，因为密钥泄露时，攻击者在10万个CRPs训练下可达到90%的预测准确率。

CRPs数量	128 - bit KU AES - PUF训练准确率	128 - bit KU AES - PUF测试准确率	128 - bit仲裁器PUF训练准确率	128 - bit仲裁器PUF测试准确率
100,000	0.512	0.509	0.93