一个强大的深度学习攻击免疫基于MRAM的物理非克隆功能

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 材料科学 材料科学 材料科学

背景情况:

• 电子设备需要先进的硬件安全性来保护敏感数据.
• 物理非克隆功能 (PUF) 通过利用独特的设备变体,为硬件安全提供了一个有前途的解决方案.
• 现有的PUF设计在满足严格的安全标准和抵御复杂的攻击方面面临挑战.

研究的目的:

• 提出和评估一个基于磁电复原随机存取存储器 (MRAM) 的新型物理不可克隆功能 (PUF) 电路.
• 评估基于MRAM的PUF对各种机器学习 (ML) 和深度学习 (DL) 建模攻击的安全性和性能.
• 分析电路在布局层面的效率及其遵守安全标准,如严格的雪崩标准 (SAC).

主要方法:

• 设计了一个PUF电路,利用MRAM中磁道结 (MTJ) 细胞的固有制造变化.
• 模拟机器学习攻击,包括多层感知器 (MLP),线性回归 (LR) 和支持矢量机器 (SVM),在两阵列和四阵列架构上.
• 采用深度学习模型,如卷积神经网络 (CNN) 和循环神经网络 (RNN) 来进行高维攻击模拟.
• 评估了电路性能分析的内和间的哈明距离 (HD) 和扩散度.

主要成果:

• 基于MRAM的PUF有效地满足严格的雪崩标准 (SAC),表现优于传统的仲裁PUF.
• 机器学习攻击显示出较低的预测准确性 (例如,MLP为两个数组的53.61%,为四个数组的49.87%),表明了强度.
• 深度学习攻击也产生了较低的准确性 (约为50.31%),证实了对高级建模的阻力.
• 该电路表现出有利的哈明内部距离 (0.98%) 和扩散性 (49.09%),可接受的哈明间距离 (49.96%).

结论:

• 拟议的基于MRAM的PUF电路为电子设备提供了强大而安全的硬件安全解决方案.
• 它的网格式结构和依赖MTJ阻力变异提供了对ML/DL建模攻击的强有力的防御.
• 该电路满足关键性能指标,使其成为下一代硬件安全应用程序的可行选择.