关键词:
物理不可克隆函数
低功耗
机器学习攻击
摘要:
随着物联网发展和5G技术的研究与推动以及智能硬件的普及,越来越多的设备终端接入物联网,若终端设备的信息安全泄露,物联网所连接的设备中的安全漏洞非常容易受到入侵、篡改等攻击,不仅会危害到用户的财产,更严重者会威胁到人们的生命安全。由于传统的密码学方法并不能满足物联网领域低成本、低功耗的要求。因此,物理不可克隆函数(Physically Unclonable Function,PUF)应运而生,成为一种新的硬件安全防护手段。PUF的输出结果仅与芯片内结构的物理特征有关,因此更难以被攻击者复制或仿造。同时PUF电路将加密信息直接存储在自身电路结构中,必需要通电才能获取加密信息,断电后信息自动消失,因此更难受到传统的物理篡改和克隆的攻击,作为一种新型的安全语言,它在具有较高安全性的同时,具有低功耗和低成本的优点,在硬件安全方面有着重要的地位。基于上述研究前景,本文中提出了两种能够抵御机器学习算法攻击的低功耗强PUF设计。
首先,本文提出了一种基于扼流型反相器的强PUF设计,利用反相器的翻转电压Vtrip作为熵源。电路中的反相器和电源电压之间串联了一个NMOS扼流管,通过调节该晶体管的偏压能够控制反相器工作在亚阈值区,有效地降低了整体功耗的同时还引入了非线性因素,此外还提出了一种翻转机制,能够进一步降低机器学习算法预测准确率。该PUF采用了UMC 65nm工艺进行设计。通过仿真测试结果,PUF能够在环境温度从0℃至120℃和电源电压从0.7V至1.5V时正常工作,最差情况误码率为5.025%,并且在各种主流的算法攻击下,能保持机器学习预测准确率为53.8%,接近理想值50%。此外,在吞吐率为10Mbps的条件下能够保持0.26p J/bit的极低能效比。
其次,针对不同应用场景,本文还提出了一种基于带反馈的增益可调节级联放大器链的强PUF,通过将放大器的连接方法改变得到增益大于1和增益小于1这两种放大器类型。将增益小于1的放大器作为熵源接入级联放大器链中,并且由于反馈机制的存在,其中任何一级发生变化时,都能够引起其他级的放大器输入输出与增益的变化,进入稳态后将其电压进行放大得到输出。其正常工作的温度和电压范围分别为-40℃到120℃和0.9V至1.5V,最差情况误码率出现在为120℃、1.2V,误码率为8.79%,经过各种机器学习算法进行攻击,其预测准确率仅有50.6%。在功耗方面,吞吐率为50Kbps的条件下能够保持1.25p J/bit的能效比,并且其功耗大小仅有0.063μW。