🤖 machine learning

Lightweight Strategy for XOR PUFs as Security Primitives for Resource-constrained IoT device

تقترح هذه الورقة استراتيجية خفيفة الوزن تعمل على تحسين معايير بنية "XOR Arbiter PUF" وطرق استخدامها لتحقيق أمن قوي ضد هجمات تعلم الآلة، مع الحفاظ على انخفاض التكاليف العتادية واستهلاك الطاقة لأجهزة إنترنت الأشياء محدودة الموارد.

المؤلفون الأصليون: Gaoxiang Li, Khalid T. Mursi, Yu Zhuang

نُشر 2026-04-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Gaoxiang Li, Khalid T. Mursi, Yu Zhuang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: مشكلة "بصمة الإصبع الرقمية"

تخيل أن لديك مليارات من المستشعرات الصغيرة والرخيصة (مثل أجهزة تنظيم الحرارة الذكية، أو أجهزة تتبع اللياقة البدنية، أو المصابيح الذكية) في جميع أنحاء العالم. هذه هي أجهزة إنترنت الأشياء (IoT). وهي تحتاج إلى إثبات هويتها لتبقى آمنة من المتسللين.

عادةً، نستخدم كلمات مرور معقدة وثقيلة أو مفاتيح تشفير للقيام بذلك. لكن هذه الأجهزة الصغيرة تشبه النمل؛ فهي لا تملك القدرة الذهنية أو عمر البطارية لحمل حقائب ظهر ثقيلة من التشفير. إنها بحاجة إلى شيء خفيف.

هنا يأتي دور الـ PUF (الدالة الفيزيائية غير القابلة للاستنساخ). فكر في الـ PUF كـ بصمة إصبع رقمية ناتجة عن العيوب الطفية التي لا يمكن تجنبها في رقاقة السيليكون أثناء تصنيعها. لا يوجد رقاقتان متطابقتان تماماً، تماماً كما لا توجد بصمتان بشريتان متطابقتان. عندما تسأل الرقاقة سؤالاً ("التحدي")، فإنها تعطي إجابة فريدة ("الاستجابة") بناءً على شكلها الفيزيائي. إنها خفيفة الوزن وآمنة.

الشرير: "لص تعلم الآلة"

النوع الأكثر شيوعاً من الـ PUF يسمى Arbiter PUF. وهو يعمل مثل مضمار سباق.

ترسل إشارتين عبر مسارين مختلفين.
يعتمد المسار الذي تسلكه الإشارة على "التحدي" (السؤال).
يقوم الحكم (المُحكّم/Arbiter) برؤية أي إشارة تفوز في السباق ويصرخ "1" أو "0".

المشكلة: يستخدم المتسللون تعلم الآلة (الذكاء الاصطناعي) لمراقبة هذه السباقات. فبعد مشاهدة عدد كافٍ من السباقات، يتعلم الذكاء الاصطناعي "قواعد" المضمار ويمكنه التنبؤ بالفائز دون أن يكون موجوداً بالفعل. الأمر يشبه تعلم لص لنمط دورية حارس ليتمكن من التسلل.

ولإيقاف ذلك، اخترع العلماء XOR-PUF.

التشبيه: بدلاً من مضمار سباق واحد، تخيل ثلاثة مضامير سباق تعمل جنباً إلى جنب. ترسل إشارات عبر الثلاثة، ثم تخلط نتائجها معاً (مثل خلط ثلاثة ألوان من الطلاء) للحصول على إجابة نهائية واحدة.
الهدف: هذا يجعل من الصعب جداً على لص الذكاء الاصطناعي معرفة القواعد لأن الرياضيات تصبح معقدة وغير خطية.

الحل القديم مقابل المشكلة الجديدة

لجعل الـ XOR-PUF أقوى، حاول الباحثون شيئين:

جعل المضامير أطول: إضافة المزيد من المراحل إلى السباق. (فكرة سيئة: تستهلك الكثير من البطارية والمساحة).
استخدام أسئلة مختلفة لكل مضمار: بدلاً من طرح نفس السؤال على المسار (أ) و(ب) و(ج)، يتم طرح أسئلة مختلفة عليهم. وهذا ما يسمى CDC-XPUF.
- العقبة: لطرح ثلاثة أسئلة مختلفة، يجب عليك إرسال ثلاثة أضعاف كمية البيانات عبر السلك. هذا يستهلك طاقة أكبر ويتطلب هوائيات أكبر. بالنسبة لجهاز إنترنت أشياء صغير، هذا يشبه طلب حمل بطيخة من نملة.

الاختراق "خفيف الوزن" لهذا البحث

تساءل مؤلفو هذا البحث: "هل يمكننا الحفاظ على أمان طريقة 'الأسئلة المختلفة' دون التكلفة الباهظة لإرسال الكثير من البيانات؟"

استراتيجيتهم: خدعة "عداءون أكثر، سباق أقصر"

أدركوا أنه في عالم الـ PUFs، فإن إضافة المزيد من مضامير السباق (المكونات) أفضل بكثير في إرباك لص الذكاء الاصطناعي من جعل المضامير أطول (المراحل).

لذا، قاموا بقلب السيناريو:

تقصير المضامير: بدلاً من سباق طويل مكون من 64 مرحلة، جعلوا السباق قصيراً مكوناً من 8 مراحل. هذا يوفر المساحة والبطارية.
إضافة المزيد من المضامير: بدلاً من 4 مضامير، استخدموا 8 أو 9 أو 10 مضامير.
الحفاظ على قاعدة "الأسئلة المختلفة": لا يزالون يطرحون على كل مضمار قصير سؤالاً مختلفاً.

لماذا ينجح هذا:
على الرغم من أن المضامير الفردية قصيرة (وسهلة التخمين من قبل الذكاء الاصطنا artificial intelligence)، إلا أن حقيقة وجود الكثير منها، وكل منها يطرح أسئلة مختلفة ويخلط إجاباتها، تخلق متاهة رياضية معقدة للغاية يصعب على الذكاء الاصطناعي الحالي حلها.

النتيات: "النملة" التي تستطيع حمل "بطيخة"

قام الباحثون ببناء هذا التصميم الجديد على أجهزة حقيقية (رقائق FPGA) واختبروه ضد أذكى لصوص الذكاء الاصطناعي المتاحين.

الأمان: كان التصميم الجديد غير قابل للاختراق. حتى مع 100 مليون محاولة، لم يستطع الذكاء الاصطناعي كسر التشفير. لقد كان أكثر أماناً بكثير من التصاميم القديمة الثقيلة.
التكلفة: نظرًا لأن المضامير كانت قصيرة، فقد استخدموا 90% أقل من الأجهزة (الترانزستورات) وتطلب الأمر عدد بتات أقل بكثير ليتم إرسالها.
الموثوقية: تحققوا مما إذا كانت "البصمة" تظل ثابتة بمرور الوقت وتغيرات درجات الحرارة. كان التصميم الجديد مستقراً وموثوقاً للغاية.

الخلا الخلاصة

يقدم هذا البحث مخططاً لـ حارس أمني خفيف الوزن للغاية لإنترنت الأشياء.

التشبيه:
تخيل أنك بحاجة لحراسة قلعة.

الطريقة القديمة: ابنِ جداراً ضخماً بارتفاع 10 أميال. إنه آمن، لكنه يكلف ثروة لبنائه وصيانته.
الطريقة "الذكية" السابقة: ابنِ جداراً متوسطاً ولكن وظف ثلاثة حراس يتحدثون لغات مختلفة. إنه آمن، لكن عليك دفع أجر ثلاثة مترجمين، وهذا مكلف.
طريقة هذا البحث: ابنِ جداراً قصيراً وبسيطاً جداً، ولكن وظف عشرة حراس مختلفين يتحدثون لغات مختلفة وينسقون فيما بينهم. الجدار صغير (رخيص)، لكن التنسيق بين الحراس العشرة يجعل من المستحيل على اللص التسلل.

الخاتمة: تسمح هذه الاستراتيجية للأجهزة الصغيرة التي تعمل بالبطارية بالحصول على أمن بمستوى عسكري دون استنزاف بطارياتها أو تكبد تكاليف باهظة في التصنيع. إنه وضع مربح للجميع في مستقبل إنترنت الأشياء.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "استراتيجية خفيفة الوزن لـ XOR PUFs كبدائل أمنية لأجهزة إنترنت الأشياء محدودة الموارد."

1. بيان المشكلة

يعتمد إنترنت الأشياء (IoT) بشكل كبير على الأجهزة محدودة الموارد (المستشعرات، العقد) التي لا يمكنها دعم البروتوكولات التشفيرية التقليدية الثقيلة. توفر الوظائف الفيزيائية غير القابلة للاستنساخ (PUFs)، وتحديداً Arbiter PUFs (APUF) ومتغيراتها مثل XOR Arbiter PUFs (XOR-PUF)، حلاً برمجياً يعتمد على الأجهزة ويكون خفيف الوزن للمصادقة وتوليد المفاتيح.

ومع ذلك، فإن الـ APUFs القياسية وحتى الـ XOR-PUFs أصبحت عرضة بشكل متزايد لهجمات النمذجة باستخدام التعلم الآلي (ML). ولمواجهة ذلك، اقترح الباحثون:

زيادة عدد المراحل (Stages): وهذا يزيد من تكلفة الأجهزة واستهلاك الطاقة.
الـ Component-Differentially Challenged XOR-PUFs (CDC-XPUF): استخدام بتات تحدي (challenge bits) مختلفة لكل مكون APUF. وبينما يحسن هذا من مقاومة التعلم الآلي بشكل كبير، فإنه يتطلب إرسال عدد كبير من البتات (عبء مرتفع)، مما يؤدي إلى زيادة استهلاك الطاقة وتعقيد الأجهزة.

الصراع الجوهري: التصاميم الحالية لـ PUF الآمنة هي إما ضعيفة جداً أمام هجمات التعلم الآلي أو ثقيلة جداً (من حيث الطاقة، والمساحة، وبتات الإرسال) بالنسبة لأجهزة إنترنت الأشياء محدودة الموارد. هناك حاجة لتصميم يوازن بين الأمن العالي والحد الأدنى من عبء الأجهزة والطاقة.

2. المنهجية

يقترح المؤلفون استراتيجية جديدة لتصميم Lightweight CDC-XPUFs من خلال التلاعب بمعلمتين هيكليتين رئيسيتين:

عدد المراحل ( $n$ ): عمق كل مكون فردي من الـ Arbiter PUF.
عدد المكونات ( $k$ ): عدد مسارات الـ APUF المتوازية التي يتم إجراء عملية XOR لمخرجاتها.

رؤى تقنية رئيسية:

اللاخطية مقابل الخطية: تحلل الورقة النماذج الرياضية لـ APUFs. وتثبت أنه بينما تزيد زيادة المراحل من التعقيد، فإن زيادة عدد مكونات الـ XOR ( $k$ ) تقدم لاخطية أعلى بكثير، وهي أكثر فعالية في مقاومة هجمات التعلم الآلي.
تحليل مساحة الـ CRP:
- تمتلك XOR-PUFs القياسية مساحة زوج (تحدي-استجابة) (CRP space) تبلغ $2^n$ . إن تقليل $n$ (المراحل) يقلص هذه المساحة بشكل حاد، مما يجعلها غير مناسبة للمصادقة.
- CDC-XPUFs تمتلك مساحة CRP تبلغ $2^{n \times k}$ لأن كل مكون يتلقى تحدياً فريداً. وهذا يسمح للمؤلفين بتقليل عدد المراحل ( $n$ ) بشكل جذري مع الحفاظ على مساحة CRP ضخمة أسياً عن طريق زيادة عدد المكونات ( $k$ ).

الاستراتيجية المقترحة:

تقليل المراحل: خفض عدد المراحل لكل مكون (على سبيل المثال، من 64/128 بت إلى 8، 16، أو 24 بت).
زيادة المكونات: تعويض نقص المراحل بزيادة عدد مكونات الـ APUF المتوازية.
النتيجة: تصميم يحافظ على مساحة CRP ضخمة (بناءً على صيغة $2^{n \times k}$ ) ومقاومة عالية للتعلم الآلي، ولكن مع عدد أقل بكثير من بتات الإرسال وبوابات الأجهزة مقارنة بـ CDC-XPUFs التقليدية.

3. المساهمات الرئيسية

بنية مبتكرة: تقديم استراتيجية "Lightweight CDC-XPUF" التي تفصل بين الأمن وتكلفة الأجهزة من خلال تحسين نسبة المراحل إلى المكونات.
التبرير النظري: إثبات أن زيادة عدد المكونات هي عامل أكثر قوة لمقاومة التعلم الآلي من زيادة عدد المراحل، بشرما يتم الحفاظ على مساحة الـ CRP عبر التحديات التفاضلية.
كفاءة الأجهزة: تقلل الاستراتيجية من عدد بتات الإرسال المطلوبة للتشغيل إلى مستويات تقارن بـ XOR-PUFs التقليدية، مما يحل العقبة الرئيسية لتصاميم CDC-XPUF السابقة.
التقييم الشامل: تقدم الورقة تقييماً تجريبياً واسع النطاق باستخدام المحاكاة والتنفيذ على أجهزة FPGA.

4. النتائج التجريبية

قيم المؤلفون تصميمهم باستخدام هجمات التعلم الآلي القائمة على الشبكات العصبية (NN) والانحدار اللوجستي (LR)، بالإضافة إلى مقاييس أداء الأجهزة على Xilinx Artix-7 FPGAs.

أ. الأمن ضد هجمات التعلم الآلي:

المرونة: أظهرت تصاميم Lightweight CDC-XPUFs ذات المراحل القصيرة (8-24 بت) وأعداد المكونات العالية (8-10 مكونات) مقاومة عالية لهجمات التعلم الآلي.
المقارنة: تم كسر تصاميم CDC-4-XPUF التقليدية ذات الـ 64 بت باستخدام حوالي 80 ألف زوج (CRP). في المقابل، ظلت تصاميم 8-bit CDC-9-XPUF و 16-bit CDC-8-XPUF المقترحة غير قابلة للكسر حتى مع 100 مليون زوج (CRP) (وهو الحد الأقصى لمجموعة الاختبار).
المتانة ضد الضجيج: حافظت التصاميم على مقاومة عالية حتى مع مستويات ضجيج 2% و 5%، مما يحاكي التغيرات البيئية في العالم الحقيقي.

ب. أداء الأجهزة (تنفيذ FPGA):

تكلفة الأجهزة: قللت التصاميم المقترحة عدد المبدلات (Multiplexers - MUXs) والمحكمات (Arbiters) المطلوبة بنسبة تصل إلى 90% مقارنة بالتصاميم التقليدية ذات المراحل العالية.
بتات الإرسال: تم تقليل عدد البتات المطلوبة لإرسال التحديات بشكل كبير (على سبيل المثال، من 256 بت إلى حوالي 64-128 بت لمستويات أمن مكافئة)، مما خفض استهلاك الطاقة.
التفرد (Uniqueness): حققت حوالي 50% من التفرد (مقياس Hori)، وهو كافٍ لبصمة الجهاز نظراً لمساحة الـ CRP الضخمة.
الموثوقية (الاستقرار): أظهرت التصاميم استقراراً عالياً (ثبات المخرجات). ومن الجدير بالذكر أن المراحل الأقصر حسنت الموثوقية، حيث تقلل المراحل الأقل من التأثير التراكمي لتباينات التأخير والضجيج.
العشوائية: أظهرت المخرجات عشوائية قوية (توازن بنسبة 90-99% بين الأصفار والآحاد).

5. الأهمية

توفر هذه الورقة مخططاً حرجاً لتأمين أجهزة إنترنت الأشياء محدودة الموارد. فهي تحل المقايضة طويلة الأمد بين الأمن (المقاومة لهجمات التعلم الآلي) والكفاءة (تكلفة الأجهزة/الطاقة).

التطبيق العملي: تصميم Lightweight CDC-XPUF المقترح قابل للتطبيق في عمليات المصادقة في إنترنت الأشياء الواقعي حيث تكون عمر البطارية ومساحة السيليكون محدودة.
تحول في النموذج: تتحدى الورقة الحكمة التقليدية التي تقول إن الـ PUFs يجب أن تمتلك مراحل عميقة (64/128 بت) لتكون آمنة، وتثبت أن البنى ذات المراحل الضحلة والمتوازية بكثافة مع التحديات التفاضلية هي الأفضل لنماذج التهديد الحديثة.
التأثير المستقبلي: تمكن هذه الاستراتيجية من نشر بدائل أمنية قوية تعتمد على الـ PUF في أجهزة الاستشعار منخفضة الطاقة، مما يطيل عمر الموقف الأمني لمنظومة إنترنت الأشياء.