首页|基于对抗学习的强PUF安全结构研究

基于对抗学习的强PUF安全结构研究

Research on security architecture of strong PUF by adversarial learning

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据
针对强物理不可复制函数(PUF,physical unclonable function)面临的机器学习建模威胁,基于对抗学习理论建立了强PUF的对抗机器学习模型,在模型框架下,通过对梯度下降算法训练过程的分析,明确了延迟向量权重与模型预测准确率之间的潜在联系,设计了一种基于延迟向量权重的对抗样本生成策略.该策略与传统的组合策略相比,将逻辑回归等算法的预测准确率降低了5.4％～9.5％,低至51.4％.结合资源占用量要求,设计了新策略对应的电路结构,并利用对称设计和复杂策略等方法对其进行安全加固,形成了ALPUF(adversarial learning PUF)安全结构.ALPUF不仅将机器学习建模的预测准确率降低至随机预测水平,而且能够抵御混合攻击和暴力破解.与其他PUF结构的对比表明,ALPUF在资源占用量和安全性上均具有明显优势.

李艳、刘威、孙远路

展开 >

信息工程大学,河南郑州450001

物理不可复制函数 对抗样本 延迟向量 对抗学习PUF

国家自然科学基金国家自然科学基金

6187140561802431

2021

10.11959/j.issn.2096-109x.2021026

网络与信息安全学报
人民邮电出版社

网络与信息安全学报

CSTPCD
ISSN：2096-109X
年,卷(期)：2021.7(3)
  • 2