A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

BayesianPUFNet: Training Sample Efficient Modeling Attack for Physically Unclonable Functions BayesianPUFNet: exemplo de treinamento de ataque de modelagem eficiente para funções fisicamente não clonáveis

Hiromitsu AWANO, Makoto IKEDA

  • Exibições de texto completo

    13

  • Cite isto

Resumo:

Este artigo propõe uma rede neural profunda chamada BayesianaPUFNet que pode alcançar alta precisão de previsão mesmo com poucos pares desafio-resposta (CRPs) disponíveis para treinamento. Geralmente, os ataques de modelagem são uma vulnerabilidade que pode comprometer a autenticidade de funções fisicamente não clonáveis ​​(PUFs); assim, vários métodos de aprendizado de máquina, incluindo redes neurais profundas, foram propostos para avaliar a vulnerabilidade dos PUFs. No entanto, os ataques de modelagem convencional não consideraram o custo da coleta de CRP e analisaram os ataques com base na suposição de que CRPs suficientes estavam disponíveis para treinamento; portanto, estudos anteriores podem ter subestimado a vulnerabilidade dos PUFs. Aqui, mostramos que a aplicação de redes neurais profundas Bayesianas que incorporam estatísticas Bayesianas pode fornecer previsão precisa de respostas mesmo em situações onde CRPs suficientes não estão disponíveis para aprendizagem. Experimentos numéricos mostram que o modelo proposto utiliza apenas metade da PCR para obter a mesma previsão de resposta dos métodos convencionais. Nosso código está disponível abertamente em https://github.com/bayesian-puf-net/bayesian-puf-net.git.

Publicação
IEICE TRANSACTIONS on Fundamentals Vol.E106-A No.5 pp.840-850
Data de publicação
2023/05/01
Publicitada
2022/10/31
ISSN online
1745-1337
DOI
10.1587/transfun.2022EAP1061
Tipo de Manuscrito
PAPER
Categoria
Criptografia e Segurança da Informação

autores

Hiromitsu AWANO
  Kyoto University
Makoto IKEDA
  The University of Tokyo

Palavra-chave