[发明专利]基于混淆激励设计的APUF及其实现抗机器学习攻击的方法

说明书

本发明提供一种基于混淆激励设计的APUF实现抗机器学习攻击的方法，包括APUF接收服务器产生的混淆激励；APUF将所接收到的混淆激励恢复为原始激励后，生成相应的响应，且进一步将所生成的响应发送到服务器进行身份验证，用以抵御机器学习攻击；其中，混淆激励是将原始激励以二进制的比特表示后，按照预定规则对原始激励上的比特位置进行交换而来的。实施本发明，在不改变APUF的结构和特点的情况下，混淆激励和响应之间的直接联系，从而实现抵御机器学习攻击。

技术领域

本发明涉及信息安全技术领域，尤其涉及一种基于混淆激励设计的APUF 及其实现抗机器学习攻击的方法。

背景技术

物理不可克隆函数(PUF)已经成为当前资源受限设备的轻量级安全原语。 仲裁器PUF(APUF)是一种典型的强PUF。然而，传统的APUF是由一系列加 性线性延迟模型组成的，如导线、反相器和多路复用器，进行数学建模时容易 受到机器学习攻击(MachineLearning Attacks)，因此APUF电路的安全性一直 是PUF研究的重点之一。

目前，针对PUF的建模攻击也取得了一些成功，其中机器学习(ML)攻击 是一种最有效的方法，它可以对APUF电路进行建模，其精度超过了实际电路 设计的稳定性。在该方法中，首先收集一组实际的激励响应对(CRP)作为训练 集用于训练模型，然后经过训练的模型就可以预测针对新激励的响应。

为了抵抗ML攻击，一些文献中提出了几种解决方案。例如，Ruhrmair U、 Solter J和Sehnke F等学者提出的基于模拟数据和硅数据上的PUF建模攻击的文 献中，引入了一些不同的非线性结构，增加了APUF的硬件复杂度，但大大降 低了APUF的可靠性，保护效果不明显。同样，以牺牲可靠性为代价，采用弱 PUF和强PUF混合的多APUF设计可以在一定程度上降低预测率，如Miskelly J, Gu C Y and Ma Q Q等人提出的一种基于动态环形振荡器物理不可克隆函数统计 模型的频率排序算法所述。另一种抵抗ML攻击的策略是开发特殊的通信协议， 但是协议标准并不统一。又如，文献“基于PUF的可靠自校正本地身份验证”中提出了一种利用有限状态机(FSM)来改变APUF结构的新方法，但没有对 其进行实际的安全性分析。

但是，上述文献中提出的几种抵抗ML攻击的解决方案，要么改变APUF 结构，却无法进行实际的安全性分析，要么增加了APUF的硬件复杂度，却大 大降低了APUF的可靠性。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于混淆激励设计的 APUF及其实现抗机器学习攻击的方法，在不改变APUF的结构和特点的情况 下，混淆激励和响应之间的直接联系，就能实现抵御机器学习攻击。

为了解决上述技术问题，本发明实施例提供了一种基于混淆激励设计的 APUF实现抗机器学习攻击的方法，所述方法包括以下步骤：

APUF接收服务器产生的混淆激励；

所述APUF将所接收到的混淆激励恢复为原始激励后，生成相应的响应， 且进一步将所生成的响应发送到所述服务器进行身份验证，用以抵御机器学习 攻击；其中，所述混淆激励是将所述原始激励以二进制的比特表示后，按照预 定规则对所述原始激励上的比特位置进行交换而来的。

其中，所述原始激励的比特总长为n，包括比特长度为(n-4)/4的p₁～p₄部分 以及比特长度固定为4的p₅部分；其中，

当所述原始激励的p₅部分为0000或1000时，则由p₁p₂p₃p₄p₅形成的原始激 励进行交换，得到由P₂P₁P₄P₃P₅形成的混淆激励；