Publication: МЕТОД ИССЛЕДОВАНИЯ АТАК НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ НА ФИЗИЧЕСКИ НЕКЛОНИРУЕМЫЕ ФУНКЦИИ ТИПА АРБИТР
Дата
2025
Авторы
Коротаев, Ю. А.
Journal Title
Journal ISSN
Volume Title
Издатель
НИЯУ МИФИ
Аннотация
В статье рассматриваются современные подходы к атакам на различные варианты физически неклонируемых функций типа арбитр (АФНФ). Выполнена постановка соответствующей задачи с точки зрения машинного обучения. Предложен метод, повышающий эффективность атак на АФНФ. Он основан на предварительном подборе подходящего алгоритма машинного обучения с использованием моделей АФНФ. Такой подход позволяет выполнить предварительную оценку эффективности различных алгоритмов для атак на АФНФ в отсутствие доступа к наборам пар запрос-ответ, полученным при исполнении реальных экземпляров физически неклонируемых функций. Проведены атаки на модели базового и модифицированных вариантов АФНФ из открытой библиотеки pypuf с помощью классического алгоритма логистической регрессии и искусственных нейронных сетей (ИНС). Сделан вывод о большей эффективности ИНС по сравнению с классическими алгоритмами машинного обучения при осуществлении атак на АФНФ. C помощью pypuf разработана архитектура ИНС, которая после минимальной модификации была применена для эффективной атаки на вариант АФНФ, сбалансированный за счет использования дополнительного модуля задержки в структуре базового элемента. Соответствующая АФНФ была реализована на базе программируемой логической интегральной схемы (ПЛИС). Точность предсказания ответов после обучения составила 97,46%.
Описание
Ключевые слова
Искусственная нейронная сеть , Машинное обучение , Программируемые логические интегральные схемы (ПЛИС) , Атаки на ФНФ , АФНФ , Физически неклонируемые функции (ФНФ)
Цитирование
Коротаев, Юрий А. Метод исследования атак на основе машинного обучения на физически неклонируемые функции типа арбитр. Безопасность информационных технологий, [S.l.], т. 32, № 1, с. 85–94, 2025. ISSN 2074-7136. URL: https://bit.spels.ru/index.php/bit/article/view/1748. DOI: http://dx.doi.org/10.26583/bit.2025.1.05.