李艳，刘威，孙远路

基于对抗学习的强PUF安全结构研究

李艳，刘威，孙远路

（信息工程大学，河南 郑州 450001）

针对强物理不可复制函数（PUF，physical unclonable function）面临的机器学习建模威胁，基于对抗学习理论建立了强PUF的对抗机器学习模型，在模型框架下，通过对梯度下降算法训练过程的分析，明确了延迟向量权重与模型预测准确率之间的潜在联系，设计了一种基于延迟向量权重的对抗样本生成策略。该策略与传统的组合策略相比，将逻辑回归等算法的预测准确率降低了5.4%~9.5%，低至51.4%。结合资源占用量要求，设计了新策略对应的电路结构，并利用对称设计和复杂策略等方法对其进行安全加固，形成了ALPUF（adversarial learning PUF）安全结构。ALPUF不仅将机器学习建模的预测准确率降低至随机预测水平，而且能够抵御混合攻击和暴力破解。与其他PUF结构的对比表明，ALPUF在资源占用量和安全性上均具有明显优势。

物理不可复制函数；对抗样本；延迟向量；对抗学习PUF

1 引言

物理不可复制函数（PUF，physical unclonable function）作为一类独特的轻量级硬件安全机制，以其防篡改、低资源占用等特点，在密钥生成、身份识别和轻量级认证等领域拥有广阔的应用前景。

尽管PUF被定位为无法复制，但研究表明PUF能够通过机器学习的方法建模。逻辑回归（LR，logistic regression）、支持向量机（SVM，support vector machine）、进化策略（ES，evolution strategy）、深度学习（DL，deep learning）和集成学习（EL，ensemble learning）均能攻击一种或数种PUF[1-3]。为了应对机器学习建模带来的安全威胁，研究者设计了多种PUF结构，如异或仲裁器PUF、混淆类PUF等，但其中绝大多数被证明无法抵御机器学习攻击[4-5]。……