論文の概要: A Unified Open-Set Framework for Scalable PUF-Based Authentication of Heterogeneous IoT Devices

• arxiv url: http://arxiv.org/abs/2605.07340v1
• Date: Fri, 08 May 2026 06:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.870971
• Title: A Unified Open-Set Framework for Scalable PUF-Based Authentication of Heterogeneous IoT Devices
• Title（参考訳）: スケーラブルPUFに基づく異種IoTデバイスの認証のための統一オープンセットフレームワーク
• Authors: Xin Wang, Peichun Hua, Chip Hong Chang, Wenye Liu, Yue Zheng,
• Abstract要約: 本稿では,多様なIoTデバイス群を管理するための,スケーラブルでヘルパーフリーなオープンセットPUF認証フレームワークを提案する。 我々のフレームワークは、最大45個のデバイスで100%クローズドセット精度とほぼゼロに近いオープンセットエラー率を達成する。 Raspberry Piでプロトタイプされた当社のフレームワークでは,認証サイクルが0.67秒以内で,最先端のオープンセットベースラインの約30倍の速度で完了しています。
• 参考スコア（独自算出の注目度）: 13.17300268210473
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As modern cyber systems scale to include large populations of heterogeneous IoT devices, securing them against impersonation and forgery is a critical cybersecurity challenge. Physical Unclonable Functions (PUFs) offer a lightweight, hardware-rooted trust anchor for IoT security. However, different PUF architectures possess distinct challenge-response spaces and raw response reliabilities, making existing authentication protocols PUF-type specific. To bridge this interoperability bottleneck, this paper proposes a scalable, helper-data-free, open-set PUF authentication framework that leverages an OpenGAN-based classifier to manage heterogeneous fleets of IoT devices. Our method addresses the limitations of traditional database-centric and digital-twin modeling methods by encoding raw responses from diverse PUF types, including strong, weak and hybrid PUFs, into a unified image representation. This enables robust, single-pass classification and impostor rejection. We integrate the classifier into a generic protocol employing hybrid encryption and Bloom filter-based replay detection. Evaluated across four different types of noisy PUF data (Arbiter, SRAM, DRAM, and heterogeneous PUFs), our framework achieves 100% closed-set accuracy and near-zero open-set error rates with up to 45 devices, a significant improvement over the 3 to 5 devices in prior classification-based approaches. Prototyped on a Raspberry Pi, our framework completes one authentication cycle within 0.67 s, approximately 30x faster than the state-of-the-art open-set baselines.
• Abstract（参考訳）: 現代のサイバーシステムは、異質なIoTデバイスを大量に含むようにスケールしているため、偽造や偽造から身を守ることは、重要なサイバーセキュリティの課題である。 Physical Unclonable Functions (PUF)は、IoTセキュリティのための軽量でハードウェアルーの信頼アンカーを提供する。 しかし、異なるPUFアーキテクチャは、異なるチャレンジ応答空間と生の応答依存性を持ち、既存の認証プロトコルPUFタイプを具体化している。 この相互運用性のボトルネックを克服するために,OpenGANベースの分類器を活用して異機種のIoTデバイスを管理する,スケーラブルでヘルパーフリーなオープンセットPUF認証フレームワークを提案する。 本手法は,強い,弱い,ハイブリッドなPUFを含む様々なPUFタイプからの生の応答を統一された画像表現に符号化することで,従来のデータベース中心およびデジタル双対モデリング手法の限界に対処する。 これにより、堅牢でシングルパスの分類とインポスタの拒絶が可能になる。 分類器をハイブリッド暗号化とブルームフィルタによるリプレイ検出を利用した汎用プロトコルに統合する。 提案手法は,4種類の雑音PUFデータ(Arbiter, SRAM, DRAM, 異種PUF)で評価され, 最大45個のデバイスで100%クローズドセット精度とほぼゼロに近いオープンセットエラー率を実現している。 Raspberry Piでプロトタイプされた当社のフレームワークでは,認証サイクルが0.67秒以内で,最先端のオープンセットベースラインの約30倍の速度で完了しています。

関連論文リスト

• InterPUF: Distributed Authentication via Physically Unclonable Functions and Multi-party Computation for Reconfigurable Interposers [0.25489046505746704]
  InterPUFは、Interposerを分散信頼のルートに変換する、コンパクトでスケーラブルな認証フレームワークである。 ハードウェア評価では、多様なチップレット間で0.23%の面積と0.072%の電力オーバーヘッドしか示していない。
  論文  参考訳（メタデータ） (2026-01-16T15:26:07Z)
• OpenRT: An Open-Source Red Teaming Framework for Multimodal LLMs [36.57820295876294]
  MLLMの安全性評価のための統一的,モジュール型,高スループットのRed-teamingフレームワークであるOpenRTを紹介した。 OpenRTのコアとなるのは,5次元にわたるモジュール分離を可能にする対角カーネルを導入することで,自動化された再チームのパラダイムシフトだ。 このフレームワークは、ホワイトボックス勾配、マルチモーダル摂動、高度なマルチエージェント進化戦略など、37の多様な攻撃手法を統合している。
  論文  参考訳（メタデータ） (2026-01-04T16:41:33Z)
• LPUF-AuthNet: A Lightweight PUF-Based IoT Authentication via Tandem Neural Networks and Split Learning [2.37507453143459]
  IoT(Internet of Things)は2025年までに全世界で75億以上のデバイスを接続する計画だ。 従来の暗号手法は、IoTデバイスの制約に悩まされることが多い。 本稿では、物理的非拘束機能(PUF)を堅牢なセキュリティソリューションとみなす。 提案手法では,タンデムニューラルネットワーク(TNN)とスプリットラーニング(SL)パラダイムを組み合わせた,LPUF-AuthNetと呼ばれる軽量PUF機構を提案する。
  論文  参考訳（メタデータ） (2024-10-16T03:25:04Z)
• Designing Short-Stage CDC-XPUFs: Balancing Reliability, Cost, and Security in IoT Devices [2.28438857884398]
  物理的に非閉塞関数(PUF)は、固有のハードウェアのバリエーションからユニークな暗号鍵を生成する。 Arbiter PUFs (APUFs) や XOR Arbiter PUFs (XOR-PUFs) のような従来のPUFは、機械学習(ML)や信頼性ベースの攻撃の影響を受けやすい。 本稿では,信頼性を高めるための事前選択戦略を取り入れたCDC-XPUF設計を提案し,新しい軽量アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-09-26T14:50:20Z)
• A Unified Framework for Iris Anti-Spoofing: Introducing Iris Anti-Spoofing Cross-Domain-Testing Protocol and Masked-MoE Method [42.86520659674655]
  Iris Anti-Spoofing Cross-Domain-Testing (IAS-CDT) プロトコルを提案する。 7つのデータベースに属する10のデータセットを4つの機関が公開し、6つの異なるデバイスで収集する。 階層的な3つのサブプロトコールを含み、平均性能、断面積一般化、IASモデルのクロスデバイス一般化を評価することを目的としている。
  論文  参考訳（メタデータ） (2024-08-19T07:24:36Z)
• PhenoAuth: A Novel PUF-Phenotype-based Authentication Protocol for IoT Devices [9.608432807038083]
  本研究は,PUF Phenotype の概念に基づく完全耐雑音認証プロトコルを提案する。 デバイス間通信に適した設定で、相互認証とフォワードの秘密性を示す。
  論文  参考訳（メタデータ） (2024-03-06T06:04:32Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• 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)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)

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。