Designing a Photonic Physically Unclonable Function Having Resilience to Machine Learning Attacks

物理不可克隆函数（PUFs）被设计成设备“指纹”。给定一个输入挑战，PUF电路应该产生一个不可预测的响应，用于根信任应用程序和其他硬件级网络安全应用程序。PUFs通常是集成电路（ICs）中的子电路，虽然传统的IC PUFs已经被很好地理解，但是一些实现已经被证明容易受到恶意攻击，包括机器学习（ML）攻击。这种攻击往往很难预防，因为它们通常被设计成即使预先知道相对较少的挑战-响应对也能够工作。因此需要更具弹性的PUF设计和对ML攻击易感性的分析。以前的研究已经开发了一种用于光子集成电路（PICs）的PUF。PIC PUF不仅在制造引入的公差下产生不可预测的响应，而且比纯电子IC PUF更不容易受到电磁辐射窃听攻击。在本研究中，我们分析了所提出的光子PUF在面对基于ML的攻击时的弹性。具体而言，我们描述了计算PUF模型，以产生训练ML攻击所需的大型数据集；我们分析了模型的质量；并讨论了模拟PUF对基于ML的攻击的敏感性。我们发现，模拟的PUF生成类似于均匀白噪声的分布，解释了其对利用挑战和响应之间的潜在关系的神经网络攻击表现出的弹性。初步分析表明，PUF表现出类似的对抗生成网络的弹性，继续发展将展示更复杂的ML方法是否更好地破坏PUF，以及如何通过设计修改来提高弹性。

研究物理不可克隆函数（PUFs）在面对机器学习攻击时的鲁棒性，以及如何设计更具鲁棒性的PUF。

使用光子集成电路（PIC）设计PUF，通过产生类似于均匀白噪声的分布来提高鲁棒性，同时使用计算PUF模型生成大量数据集来训练机器学习攻击。

实验使用光子集成电路（PIC）设计PUF，相比于传统的电子集成电路（IC）PUF更具鲁棒性，同时通过产生类似于均匀白噪声的分布来提高鲁棒性。使用计算PUF模型生成大量数据集来训练机器学习攻击，并分析模型的质量和PUF的鲁棒性。初步分析表明，该PUF对抗生成对抗网络（GAN）也具有类似的鲁棒性。

最近的相关研究包括《Machine learning-based PUF analysis: A survey》、《Deep Learning-Based Machine Learning Attack on PUFs》等。