SQ-PUF: پروتکل احراز هویت مبتنی برPUF مقاوم در برابر حملات یادگیری ماشین

توابع غیرهمسان فیزیکی (PUF) سخت افزاری را برای تولید الگویی منحصربه فرد از چالش- پاسخ با اهداف احراز هویت و رمزگذاری ارایه می دهند. یکی از ویژگی های مهم در این مدارها غیرقابل پیش بینی بودن است؛ به این معنی که یک مهاجم نمی تواند پاسخ های آینده را از مشاهدات قبلی پیش بینی کند. با این حال نشان داده شده که الگوریتم های یادگیری ماشین، تهدیدی قابل توجه برای PUF ها هستند؛ زیرا آنها قادر به مدل سازی دقیق رفتار PUF می باشند. در این مقاله، ما تهدیدات امنیتیPUF را تحلیل و یک روش احراز هویت مبتنی بر PUF به نام SQ-PUF را ارایه می کنیم که می تواند در برابر حملات یادگیری ماشین مقاومت خوبی از خود نشان دهد. توانایی شبیه سازی یا پیش بینی آن را با مبهم سازی همبستگی بین جفت های چالش- پاسخ ها دشوار کردیم. نتایج تجربی نشان می دهند که برخلاف PUFهای موجود، حتی با مجموعه ای از داده های بزرگ هم نمی توان به مدل SQ-PUF حمله موفقی داشت و بیشترین دقت پیش بینی %53 است که نشان دهنده غیرقابل پیش بینی بودن این مدل می باشد. علاوه بر این، یکنواختی و یکتایی در این مدل تقریبا با مقدار ایده آل در A-PUF یکسان باقی مانده است.