論文の概要: Resilient Endurance-Aware NVM-based PUF against Learning-based Attacks

• arxiv url: http://arxiv.org/abs/2501.06367v1
• Date: Fri, 10 Jan 2025 22:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:20:15.748213
• Title: Resilient Endurance-Aware NVM-based PUF against Learning-based Attacks
• Title（参考訳）: 耐久性に優れたNVMベースのPUFによる学習型攻撃対策
• Authors: Hassan Nassar, Ming-Liang Wei, Chia-Lin Yang, Jörg Henkel, Kuan-Hsun Chen,
• Abstract要約: NVM PUFの耐久性を大幅に向上させる新しい設計法を提案する。 我々の設計手法は、書き込み操作をより均等に分散し、個々のセルのストレスを軽減するための高度な手法を取り入れている。
• 参考スコア（独自算出の注目度）: 8.333250351926749
• License:
• Abstract: Physical Unclonable Functions (PUFs) based on Non-Volatile Memory (NVM) technology have emerged as a promising solution for secure authentication and cryptographic applications. By leveraging the multi-level cell (MLC) characteristic of NVMs, these PUFs can generate a wide range of unique responses, enhancing their resilience to machine learning (ML) modeling attacks. However, a significant issue with NVM-based PUFs is their endurance problem; frequent write operations lead to wear and degradation over time, reducing the reliability and lifespan of the PUF. This paper addresses these issues by offering a comprehensive model to predict and analyze the effects of endurance changes on NVM PUFs. This model provides insights into how wear impacts the PUF's quality and helps in designing more robust PUFs. Building on this model, we present a novel design for NVM PUFs that significantly improves endurance. Our design approach incorporates advanced techniques to distribute write operations more evenly and reduce stress on individual cells. The result is an NVM PUF that demonstrates a $62\times$ improvement in endurance compared to current state-of-the-art solutions while maintaining protection against learning-based attacks.
• Abstract（参考訳）: 非揮発性メモリ(NVM)技術に基づく物理非閉塞関数(PUF)は、セキュアな認証と暗号化アプリケーションのための有望なソリューションとして登場した。 NVMのマルチレベルセル(MLC)特性を活用することで、PUFは幅広いユニークな応答を生成し、機械学習(ML)モデリング攻撃に対するレジリエンスを高めることができる。 しかし、NVMベースのPUFの大きな問題は、その耐久性の問題であり、頻繁に書き込みを行うと、時間の経過とともに低下し、PUFの信頼性と寿命が低下する。 本稿では,NVM PUFに対する耐久変化の予測と解析を行う包括的モデルを提供することにより,これらの課題に対処する。 このモデルは、摩耗がPUFの品質に与える影響についての洞察を与え、より堅牢なPUFの設計に役立つ。 このモデルに基づいて,NVM PUFの耐久性を大幅に向上させる新しい設計を提案する。 我々の設計手法は、書き込み操作をより均等に分散し、個々のセルのストレスを軽減するための高度な手法を取り入れている。 その結果、学習ベースの攻撃に対する保護を維持しながら、現在の最先端のソリューションと比較して、持続性の向上を62\times$で示すNVM PUFが実現した。

関連論文リスト

• A novel reliability attack of Physical Unclonable Functions [1.9336815376402723]
  Physical Unclonable Functions(PUF)は、IoTデバイスのための有望なセキュリティプリミティブとして登場している。 その強みにもかかわらず、PUFは従来のおよび信頼性ベースの攻撃を含む機械学習(ML)攻撃に対して脆弱である。
  論文  参考訳（メタデータ） (2024-05-21T18:34:14Z)
• 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)
• RigorLLM: Resilient Guardrails for Large Language Models against Undesired Content [62.685566387625975]
  現在の緩和戦略は効果はあるものの、敵の攻撃下では弾力性がない。 本稿では,大規模言語モデルのための弾力性ガードレール(RigorLLM)について紹介する。
  論文  参考訳（メタデータ） (2024-03-19T07:25:02Z)
• Attacking Delay-based PUFs with Minimal Adversary Model [13.714598539443513]
  Physically Unclonable Functions (PUF)は、軽量デバイス認証のための合理化されたソリューションを提供する。 遅延ベースのArbiter PUFは実装の容易さと膨大なチャレンジスペースを持ち、大きな注目を集めている。 モデリングに抵抗するPUFの開発と、それらに対する機械学習攻撃の考案の間には、研究が偏在している。
  論文  参考訳（メタデータ） (2024-03-01T11:35:39Z)
• Understanding Self-attention Mechanism via Dynamical System Perspective [58.024376086269015]
  SAM(Self-attention mechanism)は、人工知能の様々な分野で広く使われている。 常微分方程式(ODE)の高精度解における固有剛性現象(SP)は,高性能ニューラルネットワーク(NN)にも広く存在することを示す。 SAMは、本質的なSPを測定するためのモデルの表現能力を高めることができる剛性対応のステップサイズ適応器でもあることを示す。
  論文  参考訳（メタデータ） (2023-08-19T08:17:41Z)
• RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
  より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。 当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
  論文  参考訳（メタデータ） (2022-07-12T19:34:47Z)
• 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)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Batch Normalization Increases Adversarial Vulnerability and Decreases Adversarial Transferability: A Non-Robust Feature Perspective [91.5105021619887]
  バッチ正規化(BN)は、現代のディープニューラルネットワーク(DNN)で広く使われている。 BNは、対向ロバスト性を犠牲にしてモデル精度を高めることが観察された。 BNが主にロバスト特徴(RF)と非ロバスト特徴(NRF)の学習を好んでいるかどうかは不明である。
  論文  参考訳（メタデータ） (2020-10-07T10:24:33Z)
• Going Deep: Using deep learning techniques with simplified mathematical models against XOR BR and TBR PUFs (Attacks and Countermeasures) [0.0]
  本稿では,簡易な数学的モデルと深層学習(DL)技術を用いたモデリング攻撃に対するPUFの脆弱性の研究に寄与する。 DLモデリング攻撃は、4入力のXOR BR PUFと4入力のXOR PUFのセキュリティを99%の精度で簡単に破壊できる。 新たな難読化アーキテクチャは、DLモデリング攻撃に対抗するためのステップとして導入され、そのような攻撃に対して大きな抵抗を示した。
  論文  参考訳（メタデータ） (2020-09-09T01:41:57Z)

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。