論文の概要: Machine Learning Resistant Amorphous Silicon Physically Unclonable Functions (PUFs)

• arxiv url: http://arxiv.org/abs/2402.02846v1
• Date: Mon, 5 Feb 2024 10:00:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 17:15:05.057164
• Title: Machine Learning Resistant Amorphous Silicon Physically Unclonable Functions (PUFs)
• Title（参考訳）: 機械学習耐性アモルファスシリコン物理的不凍機能(pufs)
• Authors: Velat Kilic, Neil Macfarlane, Jasper Stround, Samuel Metais, Milad Alemohammad, A. Brinton Cooper, Amy C. Foster, Mark A. Foster
• Abstract要約: 非線形波動カオス型アモルファスシリコン(a-Si)キャビティの物理的非拘束機能(PUF)としての利用について検討する。 統合された電子PUFに対する機械学習攻撃は、PUFの挙動をモデル化するのに非常に効果的であることが示されている。
• 参考スコア（独自算出の注目度）: 0.9423257767158634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate usage of nonlinear wave chaotic amorphous silicon (a-Si) cavities as physically unclonable functions (PUF). Machine learning attacks on integrated electronic PUFs have been demonstrated to be very effective at modeling PUF behavior. Such attacks on integrated a-Si photonic PUFs are investigated through application of algorithms including linear regression, k-nearest neighbor, decision tree ensembles (random forests and gradient boosted trees), and deep neural networks (DNNs). We found that DNNs performed the best among all the algorithms studied but still failed to completely break the a-Si PUF security which we quantify through a private information metric. Furthermore, machine learning resistance of a-Si PUFs were found to be directly related to the strength of their nonlinear response.
• Abstract（参考訳）: 非線形波動カオスアモルファスシリコン(a-si)のキャビティを物理的に不安定な関数(puf)として用いる方法を検討した。 統合された電子PUFに対する機械学習攻撃は、PUFの挙動をモデル化するのに非常に効果的であることが示されている。 このようなa-SiフォトニックPUFに対する攻撃は、線形回帰、k-アネレスト近傍、決定木アンサンブル(ランダム森林と勾配高木)、ディープニューラルネットワーク(DNN)などのアルゴリズムを用いて研究される。 DNNは研究対象のアルゴリズムの中で最高の性能を示したが、私的情報メトリクスによって定量化されるa-Si PUFのセキュリティを完全に破壊することはできなかった。 さらに, A-Si PUFの機械学習抵抗は, 非線形応答の強度に直接関係していることがわかった。

関連論文リスト

• Designing a Photonic Physically Unclonable Function Having Resilience to Machine Learning Attacks [2.369276238599885]
  機械学習(ML)攻撃の訓練に必要なデータセットを生成するための計算PUFモデルについて述べる。 モデル化されたPUFは均一な白色雑音に類似した分布を生成する。 予備的な解析は、PUFが生成する敵ネットワークに類似したレジリエンスを示すことを示唆している。
  論文  参考訳（メタデータ） (2024-04-03T03:58:21Z)
• A Photonic Physically Unclonable Function's Resilience to Multiple-Valued Machine Learning Attacks [2.271444649286985]
  非線形関連チャレンジ応答対(CRP)を用いた集積回路の同定 ランダムな確率よりも応答ビットを予測できるモデルをトレーニングするには,約1,000個のCRPが必要であることが判明した。 フォトニックPUFから大量のCRPを取得するという大きな課題を考えると,この攻撃に対するフォトニックPUFのレジリエンスを実証する。
  論文  参考訳（メタデータ） (2024-03-02T19:44:19Z)
• Polynomial Bounds for Learning Noisy Optical Physical Unclonable Functions and Connections to Learning With Errors [0.0]
  ノイズの存在下でも、光学的物理的非拘束関数(PUF)のクラスを任意に高い確率で精度で学習できることが示されている。 これはRh"uramir et al. (2013) の結果を拡張し、この分類のPUFのサブセットがノイズがない場合に学習可能であることを示した。
  論文  参考訳（メタデータ） (2023-08-17T22:26:48Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• PUF-Phenotype: A Robust and Noise-Resilient Approach to Aid Intra-Group-based Authentication with DRAM-PUFs Using Machine Learning [10.445311342905118]
  機械学習(ML)を用いて,DRAM PUF応答の起源を正確に識別する分類システムを提案する。 特徴抽出のための改良深部畳み込みニューラルネットワーク(CNN)を用いて,最大98%の分類精度を実現した。
  論文  参考訳（メタデータ） (2022-07-11T08:13:08Z)
• Physical Activation Functions (PAFs): An Approach for More Efficient Induction of Physics into Physics-Informed Neural Networks (PINNs) [0.0]
  物理アクティベーション関数(PAF)は、より複雑さが小さく、より長い範囲の予測に対してより妥当性の高い物理インフォームドニューラルネットワーク(PINN)を生成するのに役立つ。 PAFは、PDEシステムの初期条件や境界条件のような調査現象に関連する数学的公式にインスピレーションを与えることができる。 PAFの使用は、より複雑なPINNを生成するのに役立ち、より長い範囲の予測に対してより有効である、と結論付けている。
  論文  参考訳（メタデータ） (2022-05-29T11:26:46Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。