Design and Development of an ML/DL Attack Resistance of RC-Based PUF for IoT Security

Resumo Técnico: Resistência a Ataques de ML/DL em PUFs Baseados em RC para Segurança de IoT

Título do Artigo: Design and Development of an ML/DL Attack Resistance of RC-Based PUF for IoT Security
Autores: Joy Acharya, Smit Patel, Paawan Sharma, Mohendra Roy (PDEU, Índia)

1. Problema e Contexto

O Internet das Coisas (IoT) conecta bilhões de dispositivos com recursos limitados, muitos dos quais não suportam métodos criptográficos pesados. As Funções de Não Clonagem Física (PUFs) surgem como uma alternativa leve, explorando variações de fabricação inevitáveis em circuitos integrados para gerar respostas únicas de autenticação.
No entanto, o avanço recente em Aprendizado de Máquina (ML) e Aprendizado Profundo (DL) representa uma ameaça crítica. Técnicas de "ataques de modelagem" conseguem aprender e copiar padrões de Desafio-Resposta (CRPs) com alta precisão, comprometendo a segurança de PUFs tradicionais (como PUFs de Oscilador de Anel ou Arbiter). O desafio é desenvolver uma arquitetura de PUF que seja robusta contra esses ataques, mantendo baixo consumo de energia e área, essencial para dispositivos de borda.

2. Metodologia

Os autores propuseram e avaliaram um PUF baseado em Resistor-Capacitor (RC) dinamicamente reconfigurável. A metodologia seguiu um pipeline estruturado:

• Arquitetura do Hardware: O PUF utiliza componentes passivos RC simples, consumindo ultra-baixo poder e ocupando área mínima. Diferente de PUFs digitais que dependem de corridas de tempo, este design deriva sua unicidade da variabilidade analógica intrínseca nas constantes de tempo RC causadas por discrepâncias de fabricação.
• Geração de Dados:
  • Foram gerados pares Desafio-Resposta (CRPs) de 32 bits.
  • O conjunto de dados incluiu múltiplas configurações: arquiteturas de 1ª e 2ª ordem, com e sem integração de UID (Identificador Único), e larguras de pulso de 2 µs e 32 µs.
  • Foram coletados 80.000 CRPs para cada configuração, divididos em conjuntos de treino (70%), validação (20%) e teste (10%).
• Avaliação de Modelos de ML/DL: Para testar a resistência, cinco modelos foram treinados para tentar prever as respostas do PUF a partir dos desafios:
  1. Árvores de Decisão (DT)
  2. Floresta Aleatória (RF)
  3. XGBoost (Extreme Gradient Boosting)
  4. Redes Neurais Artificiais (ANN)
  5. Redes Neurais com Boosting Gradiente (GBNN)
• Métricas de Avaliação:
  • Precisão Bit-a-Bit: Porcentagem de bits individuais corretos.
  • Precisão de Correspondência Exata (Exact Match): Porcentagem de CRPs onde todos os 32 bits foram previstos corretamente.
  • Entropia: Análise estatística da distribuição dos bits previstos.

3. Contribuições Principais

• Design de PUF Analógico Reconfigurável: Desenvolvimento de um PUF baseado em RC que gera alta entropia analógica, tornando os mapeamentos Desafio-Resposta não correlacionados e difíceis de aprender.
• Validação Rigorosa contra ML/DL: Demonstração experimental de que, mesmo com modelos capazes de memorizar 100% dos dados de treinamento, eles falham completamente em generalizar para dados não vistos.
• Análise Comparativa: Comparação direta com PUFs existentes (Arbiter, XOR Arbiter, RO), mostrando a superioridade do design proposto em termos de resistência a modelagem.

4. Resultados

Os resultados demonstraram uma clara separação entre a capacidade de memorização e a capacidade de generalização dos modelos:

• Precisão de Treinamento: Todos os modelos (DT, RF, XGBoost, ANN, GBNN) alcançaram 100% de precisão no conjunto de treinamento, indicando que eles conseguiram memorizar os dados fornecidos.
• Precisão de Validação/Teste: Ao serem testados em dados não vistos, a precisão de todos os modelos caiu drasticamente para níveis próximos ao chute aleatório:
  • ANN: ~51,06%
  • GBNN: ~53,27% (o melhor, mas ainda estatisticamente insignificante)
  • XGBoost: ~50,97%
  • RF: ~51,32%
  • DT: ~50,37%
• Correspondência Exata: A taxa de correspondência exata (acerto dos 32 bits simultaneamente) foi de 0,00% para todos os modelos.
• Análise de Entropia: As respostas alvo apresentaram entropia próxima de 1 (ideal). O modelo GBNN mostrou uma queda significativa na entropia, indicando viés e colapso de modo, enquanto outros modelos preservaram características de entropia, mas sem prever corretamente os bits.
• Comparação com Outros PUFs: Enquanto PUFs tradicionais (como Arbiter PUF) atingem precisões de teste de 60% a >90% sob ataques ML, o PUF proposto manteve-se na faixa de 50-53%.

5. Significância e Conclusão

O trabalho fornece evidências empíricas robustas de que o PUF baseado em RC dinamicamente reconfigurável é resistente a ataques de modelagem baseados em ML/DL.

• Segurança: A incapacidade dos modelos de generalizar além do chute aleatório confirma que não existe uma relação funcional explorável entre desafios e respostas no PUF proposto.
• Eficiência para IoT: O design oferece uma alternativa viável e de baixo custo a métodos de criptografia pesados, sendo ideal para dispositivos IoT com recursos limitados (baixo consumo de energia e pequena área de silício).
• Conclusão Final: A arquitetura proposta transforma a "falha" dos modelos de ML em uma garantia de segurança. O comportamento não determinístico e não aprendível do PUF RC o torna uma solução superior para a autenticação de hardware na próxima geração de dispositivos IoT.