基于弱PUF的变延迟混淆技术：用于抵抗机器学习攻击的仲裁器PUF

《IEEE Embedded Systems Letters》：Weak PUF-Based Variable Latency Obfuscation Technique for ML-Attack Resilient Arbiter PUFs

提出一种基于动态非线性反馈移位寄存器（DNLFSR）的弱PUF辅助的APUF，通过动态可变迭代LFSR增强非线性，有效抵御机器学习攻击，预测准确率接近随机水平（约50%），且相比现有方法延迟减少约n/2时钟周期，硬件开销降低43.2%，适用于物联网场景。

　　

摘要：

传统的基于线性反馈移位寄存器（LFSR）的仲裁器物理不可克隆函数（APUF）容易受到机器学习（ML）攻击，这给其在实际认证场景中的应用带来了挑战。为了解决这一漏洞，本文提出了一种基于弱PUF辅助和挑战依赖的动态非线性反馈移位寄存器（DNLFSR）的APUF。该技术引入了动态和可变的迭代机制，使得生成的挑战-响应对（CRP）空间更加非线性，从而有效防止攻击者对APUF进行建模。通过针对100万个CRP进行的穷举测试，所提出的DNLFSR基APUF在对抗各种ML攻击时的预测准确率约为50%（与随机猜测相当）。此外，与现有技术相比，该技术将n级LFSR的延迟降低了约n/2个时钟周期。在Python仿真和FPGA硬件实现中对所提出的DNLFSR基APUF进行的广泛性能评估显示，64位和128位DNLFSR基APUF具有近乎理想的均匀性、唯一性和可靠性。而且，该设计具有较低的硬件开销，与现有技术相比，LUT的使用量减少了至少43.2%，使其成为物联网应用的理想轻量级解决方案。

引言

近年来，物理不可克隆函数（PUFs）因能够根据制造差异为每个设备提供唯一且不可复制的身份而成为物联网安全的关键技术。仲裁器PUFs（APUF）及其变体因其简单性和低资源消耗而受到欢迎，这使得APUF成为认证协议的理想选择[1]。然而，这些APUF容易受到机器学习（ML）攻击[2]，攻击者可以通过分析挑战-响应模式来复制APUF。为了解决这一漏洞，采用了线性反馈移位寄存器（LFSR）等方法在将挑战应用于APUF之前对其进行混淆。