用于抵抗机器学习攻击的双态混合PUF（Physical Unclonable Function）

《ACM Transactions on Design Automation of Electronic Systems》：Dual-state Hybrid PUF for Resistance to Machine Learning Attacks

提出双态混合PUF，动态切换RO与路径选择器阵列，结合非线性前端实时反馈，有效抵御机器学习攻击。实验显示预测率约50%，唯一性49.98%，均匀性51.32%，可靠性98%。

　　

摘要

物理不可克隆函数（PUF）是一种轻量级的硬件安全机制，在物联网（IoT）安全领域具有广泛的应用。然而，机器学习（ML）技术的不断进步对PUF的安全性产生了显著影响。本文介绍了一种双状态混合PUF（DH PUF），该PUF能够根据来自非线性前端电路的实时反馈，动态地在环形振荡器（RO）阵列和路径选择器阵列之间切换后端电路。与传统的由静态挑战控制的双模式PUF不同，我们的设计引入了一种逆序混淆机制，这种机制能够在最小的硬件开销下破坏挑战与响应之间的线性相关性。该64级DH PUF被实现在了Xilinx Artix-7 FPGA上，实验结果表明该设计能够有效抵御机器学习攻击。对于逻辑回归（LR）、协方差矩阵自适应进化策略（CMA-ES）、支持向量机（SVM）、人工神经网络（ANN）、深度神经网络（DNN）和多层感知器（MLP）等攻击方法，其防御成功率均约为50%。此外，该结构的唯一性达到了49.98%，均匀性为51.32%，可靠性约为98%。

物理不可克隆函数、硬件安全、机器学习、现场可编程门阵列。