Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction to Machine Learning for Hardware Security Kapitel lesen Erstes Kapitel lesen

2023 | OriginalPaper | Buchkapitel

5. Improved Modeling Attack on PUFs based on Tensor Regression Network

verfasst von : Pranesh Santikellur, Rajat Subhra Chakraborty

Erschienen in: Deep Learning for Computational Problems in Hardware Security

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In the previous chapter, we have discussed DFNN-based modeling attacks on various APUF compositions. The purpose of this chapter is to understand design and development of an improved machine learning model for launching modeling attacks.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Modeling Attacks on PUF
Nächstes Kapitel Combinational Logic-Based Implementation of PUF
Fußnoten
Literatur
1.
Lim, D. (2004). Extracting secret keys from integrated circuits. Master’s thesis, Massachusetts Institute of Technology, U.S.A.
2.
Rührmair, U., Sehnke, F., Sölter, J., Dror, G., Devadas, S., & Schmidhuber, J. (2010). Modeling attacks on physical unclonable functions. In Proceedings of the ACM Conference on Computer and Communications Security, Ser. CCS’10 (pp. 237–249).
3.
Suh, G. E., & Devadas, S. (2007). Physical unclonable functions for device authentication and secret key generation. In Proceedings of the Design Automation Conference, Ser. DAC’07 (pp. 9–14).
4.
Majzoobi, M., Koushanfar, F., & Potkonjak, M. (2008). Lightweight secure PUFs. In Proceedings of the IEEE/ACM International Conference on Computer-Aided Design, Ser. ICCAD’08 (670–673).
5.
Sahoo, D. P., Mukhopadhyay, D., Chakraborty, R. S., & Nguyen, P. H. (2018). A multiplexer-based Arbiter PUF composition with enhanced reliability and security. IEEE Transactions on Computers, 67(3), 403–417.MathSciNetCrossRef
6.
Abadi, M., et al. (2016). TensorFlow: A system for large-scale machine learning. In Proceedings of the USENIX Conference on Operating Systems Design and Implementation, Ser. OSDI’16 (pp. 265–283).
7.
Yu, M.-D., Hiller, M., Delvaux, J., Sowell, R., Devadas, S., & Verbauwhede, I. (2016). A lockdown technique to prevent machine learning on PUFs for lightweight authentication. IEEE Transactions on Multi-Scale Computing Systems, 2(3), 146–159.CrossRef
8.
Brandi, G. (2018). Decompose et impera: Tensor methods in high-dimensional data. Ph.D. dissertation, LUISS Guido Carli.
9.
Wisiol, N., Becker, G. T., Margraf, M., Soroceanu, T. A., Tobisch, J., & Zengin, B. (2020). Breaking the lightweight secure PUF: Understanding the relation of input transformations and machine learning resistance. Smart Card Research and Advanced Applications (pp. 40–54). Cham: Springer International Publishing.CrossRef
10.
11.
He, L., Kong, X., Yu, P. S., Yang, X., Ragin, A. B., & Hao, Z. (2014). DuSK: A dual structure-preserving kernel for supervised tensor learning with applications to neuroimages. In M. J. Zaki, Z. Obradovic, P.-N. Tan, A. Banerjee, C. Kamath & S. Parthasarathy (Eds.), SIAM International Conference on Data Mining (pp. 127–135).
12.
Khoromskij, B. N. (2018). Tensor numerical methods in scientific computing (Vol. 19). Walter de Gruyter GmbH & Co KG.
13.
Kolda, T. G., & Bader, B. W. (2009). Tensor decompositions and applications. SIAM review, 51(3), 455–500.
14.
Cao, X., Rabusseau, G., & Pineau, J. (2017). Tensor regression networks with various low-rank tensor approximations. CoRR, abs/1712.09520.
15.
Håstad, J. (1989). Tensor rank is NP-complete. In International Colloquium on Automata, Languages, and Programming (pp. 451–460). Springer.
16.
Hao, Z., He, L., Chen, B., & Yang, X. (2013). A linear support higher-order tensor machine for classification. IEEE Transactions on Image Processing, 22(7), 2911–2920.CrossRef
17.
Kossaifi, J., Khanna, A., Lipton, Z., Furlanello, T., & Anandkumar, A. (2017). Tensor contraction layers for parsimonious deep nets. In IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (pp. 1940–1946).
18.
Kossaifi, J., Lipton, Z. C., Khanna, A., Furlanello, T., & Anandkumar, A. (2017). Tensor regression networks. CoRR, abs/1707.08308.
19.
Santikellur, P., & Chakraborty, R. S. (2021). A computationally efficient tensor regression network based modeling attack on XOR Arbiter PUF and its variants. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 40(6), 1197–1206.CrossRef
Metadaten
Titel
Improved Modeling Attack on PUFs based on Tensor Regression Network
verfasst von
Pranesh Santikellur
Rajat Subhra Chakraborty
Copyright-Jahr
2023
Verlag
Springer Nature Singapore
Buch
Deep Learning for Computational Problems in Hardware Security

Print ISBN: 978-981-19-4016-3

Electronic ISBN: 978-981-19-4017-0

Copyright-Jahr: 2023

DOI
https://doi.org/10.1007/978-981-19-4017-0_5

Neuer Inhalt

    Bildnachweise