بررسي مقاومت توابع غيرقابل همسان سازي فيزيكي (XOR-Arbiter-PUF) در برابر حملات مبتني بر يادگيري عميق

كارشناسي ارشد

با توجه به گسترش روزافزون ارتباطات، نياز به امنيت اطلاعات به صورت ارزان قيمت و قابل اطمينان به‬ شدت افزايش يافته است. راه حلهاي بسيار زيادي براي ايجاد ارتباط امن، ارزان و با قابليت اطمينان با‬لا پيشنهاد شده است كه توابع غيرقابل همسانسازي فيزيكي (PUF) به دليل سختي پيش¬بيني، قابليت اطمينان بالا و‬ سهولت پياده¬سازي يكي از بهترين روش¬ها مي¬باشد. اين مدارها كاربرد وسيعي در تامين امنيت دستگاه¬هاي‬ الكترونيكي از جمله در ساخت مدارهاي اعتبارسنجي تعيين هويت و مدارهاي توليد كليد امن دارند،‬ اما در چند سال اخير حملاتي ارائه¬ شده¬اند كه امنيت PUFها را زير سوال مي¬برند.‬ از جمله حملاتي كه با دقت بالا قادر به پيش¬بيني و هم¬سان¬سازيPUF هستند، حملات يادگيري ماشين مي¬باشند. در واقع، اين نوع حملات به صورت غيرفعال بوده و با داشتن تعدادي جفت‌هاي چالش-پاسخ آموزشي (CRP) مي¬تواند رفتار آينده PUF را پيش¬بيني كند. در اين پايان¬نامه، روش جديد مبتني بر يادگيري عميق (DL) به عنوان حملات مدل‌سازي نسبت به ساختارهاي پيچيده‌ PUF مورد بررسي قرار مي¬گيرد. براي مدل¬سازي حملات، از ويژگي حافظه كوتاه-مدت طولاني (LSTM) براي حمله به PUFهاي XOR-Arbiter (XOR-APUF) براي اولين بار استفاده شده است. با تركيب LSTM پيشنهادي با شبكه عصبي كاملا متصل (FC)، شبكه FC-LSTM معرفي مي¬گردد كه دقت 99% مدل‌سازي بر روي XOR-APUF-7 و XOR-APUF-8 به دست مي‌آورد. علاوه بر اين، آزمايش‌ها نشان مي‌دهد، علي‌رغم مدل‌هاي دقيق رياضي PUF، حملات مدل‌سازي پيشنهادي اين پايان¬نامه به‌طور مؤثري بر محدوديت‌هاي مطالعات قبلي در مدت زمان آموزشي كوتاه¬تر، 4 دقيقه و 45 ثانيه و 8 دقيقه و 48 ثانيه با مجموعه‌هاي كمتري از CRP، 99"×" 104 و 2"×" 106 به ترتيب براي XOR-APUF-7 و XOR-APUF-8 غلبه مي‌كنند

210567

دانشگاه علم و صنعت ايران

مهدسي برق-گرايش مدارهاي مجتمع الكترونيك (مدارهاي مجتمع خطي)

سيد محمدرضا موسوي ميركلايي / جمشيد فريبرز