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

4. Modeling Attacks on PUF

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

Modeling attacks are considered to be the greatest threat against strong PUF implementations, and wide-ranging intensive research is currently underway to develop newer 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 Machine-Learning Basics
Nächstes Kapitel Improved Modeling Attack on PUFs based on Tensor Regression Network
Fußnoten
Literatur
1.
Lim, D. (2004). Extracting secret keys from integrated circuits. Master’s thesis, Massachusetts Institute of Technology, U.S.A.
2.
Wisiol, N., Mühl, C., Pirnay, N., Nguyen, P. H., Margraf, M., Seifert, J. -P., van Dijk, M., & Rührmair, U. (2019). Splitting the interpose PUF: A novel modeling attack strategy. Cryptology ePrint Archive, Report 2019/1473, https://​eprint.​iacr.​org/​2019/​1473.
3.
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, 237–249.
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.
Machida, T., Yamamoto, D., Iwamoto, M., & Sakiyama, K. (2015). A new arbiter PUF for enhancing unpredictability on FPGA. The Scientific World Journal, 2015.
6.
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
7.
Nguyen, P. H., Sahoo, D. P., Jin, C., Mahmood, K., Rührmair, U., & van Dijk, M. (2018). The interpose PUF: Secure PUF design against state-of-the-art machine learning attacks. Accessed May 2018, from https://​eprint.​iacr.​org/​2018/​350.
8.
Friedman, J., Hastie, T., Tibshirani, R., et al. (2001). The elements of statistical learning. Springer Series in Statistics New York, 1(10).
9.
Tobisch, J., & Becker, G. T. (2015). On the scaling of machine learning attacks on PUFs with application to noise bifurcation. In S. Mangard & P. Schaumont (Eds.), Proceedings of International Workshop on Radio Frequency Identification: Security and Privacy Issues, Ser. RFIDSec’15 (pp. 17–31).
10.
Aseeri, A. O., Zhuang, Y., & Alkatheiri, M. S. (2018). A machine learning-based security vulnerability study on XOR PUFs for resource-constraint internet of things. In IEEE International Congress on Internet of Things, 2018, 49–56.
11.
Mursi, K. T., Thapaliya, B., Zhuang, Y., Aseeri, A. O., & Alkatheiri, M. S. (2020). A fast deep learning method for security vulnerability study of XOR PUFs. Electronics, 9(10), 1715.CrossRef
12.
Wisiol, N., Mursi, K. T., Seifert, J.-P., & Zhuang, Y. (2021). Neural-network-based modeling attacks on XOR arbiter PUFs revisited. IACR Cryptology Eprint Archive, 2021, 555.
13.
Yashiro, R., Machida, T., Iwamoto, M., & Sakiyama, K. (2016). Deep-learning-based security evaluation on authentication systems using arbiter puf and its variants. In K. Ogawa & K. Yoshioka (Eds.), Advances in Information and Computer Security (pp. 267–285). Springer International Publishing.
14.
Khalafalla, M., & Gebotys, C. (2019). PUFs deep attacks: Enhanced modeling attacks using deep learning techniques to break the security of double arbiter PUFs. In Design, Automation & Test in Europe Conference & Exhibition (DATE) (pp. 204–209).
15.
16.
Aghaie, A., & Moradi, A. (2021). Inconsistency of simulation and practice in delay-based strong PUFs. IACR Cryptology ePrint Archive, 2021, 482.
17.
Yu, M.-D., M’Raïhi, D., Verbauwhede, I., & Devadas, S. (2014). A noise bifurcation architecture for linear additive physical functions. In IEEE International Symposium on Hardware-Oriented Security and Trust (HOST), 2014, 124–129.CrossRef
18.
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).
19.
20.
Nair, V., & Hinton, G. E. (2010). Rectified linear units improve restricted boltzmann machines. In Proceedings of the International Conference on Machine Learning, Ser. ICML’10 (pp. 807–814).
21.
Goodfellow, I. J., Warde-Farley, D., Lamblin, P., Dumoulin, V., Mirza, M., Pascanu, R., Bergstra, J., Bastien, F., & Bengio, Y. (2013). Pylearn2: A machine learning research library. http://​arxiv.​org/​abs/​1308.​4214.
Metadaten
Titel
Modeling Attacks on PUF
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_4

Neuer Inhalt

    Bildnachweise