相关实验视频
Updated: Jul 14, 2026
07:46
A Method for Growing Bio-memristors from Slime Mold
Published on: November 2, 2017
8.9K
基于memristor的PUF对机器学习攻击的弹性评估.
Hebatallah M Ibrahim1, Heorhii Skovorodnikov2, Hoda Alkhzaimi2
1EMARATSEC, New York Univeristy Abu Dhabi, Saadiyat Island, Abu Dhabi, 129188, United Arab Emirates. hebatallah.magdy89@gmail.com.
Scientific reports
|October 13, 2024
概括
基于memristor的PUF (MR-PUF) 对机器学习攻击表现出强大的弹性. 这项研究表明,各种ML模型无法预测MR-PUF的随机输出,证实了它们的硬件安全有效性.
科学领域:
- 硬件安全 硬件安全
- 纳米技术 纳米技术
- 机器学习 机器学习
背景情况:
- 物理非克隆功能 (PUF) 对于硬件安全至关重要,从过程变化中生成唯一的密钥.
- 基于CMOS的PUF是常见的,但易受机器学习 (ML) 建模攻击的影响.
- 基于memristor的PUF (MR-PUF) 提供了使用纳米技术的替代方案,提供了固有的随机性和非线性.
研究的目的:
- 开发和应用一个ML分析和攻击框架来评估基于memristor的PUF (MR-PUF) 的安全性.
- 评估MR-PUF对各种ML算法的随机性预测弹性.
- 通过NIST测试和基于ML的攻击模拟来验证MR-PUF的加密随机性.
主要方法:
- 使用后勤回归,SVM,GMM,K-means,随机森林,XGBoost和LSTM构建了一个ML攻击框架.
- 评估了MR-PUF随机性预测,使用这些具有高效时间和数据复杂性的ML模型.
- 在MR-PUF输出上进行了全面的NIST加密随机性测试.
主要成果:
- 在ML模型中,在预测MR-PUF随机性方面,准确度低 (在50%以内),ROC低 (在0.5以内).
- 该研究证实了这些ML模型无法预测PUF的随机数据的失败.
- 攻击执行时间高效,观察到线性和二次复杂性.
结论:
- 基于memristor的PUF对复杂的机器学习建模攻击具有显著的弹性.
- 记忆器固有的随机性和非线性特征有助于强大的硬件安全性.
- 在加密应用中,MR-PUF为传统的CMOS基于PUF提供了有希望和安全的替代方案.
