MétaCan
Menu
Retour à la cohorte
Enregistrement W4286377434 · doi:10.1109/tcsii.2022.3193002

A Lightweight and Machine-Learning-Resistant PUF Using Obfuscation-Feedback-Shift-Register

2022· article· en· W4286377434 sur OpenAlexfundno aff
Zhuojun Chen, Wenshang Lee, Qinghui Hong, Chongyan Gu, Zhenyu Guan, Lin Ding, Jiliang Zhang

Notice bibliographique

RevueIEEE Transactions on Circuits & Systems II Express Briefs · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiquePhysical Unclonable Functions (PUFs) and Hardware Security
Établissements canadiensnon disponible
Organismes subventionnairesNatural Science Foundation for Distinguished Young Scholars of Hunan ProvinceEngineering and Physical Sciences Research CouncilScience and Technology Program of Hunan ProvinceChinese Academy of SciencesInstitute of Computing Technology, Chinese Academy of SciencesQueen's UniversityNational Natural Science Foundation of ChinaBeihang UniversityQueen's University Belfast
Mots-clésObfuscationPhysical unclonable functionComputer scienceShift registerOverhead (engineering)Reliability (semiconductor)RandomnessEmbedded systemHardware security moduleAuthentication (law)ArbiterComputer hardwareComputer securityCryptographyOperating system

Résumé

récupéré en direct d'OpenAlex

Physical Unclonable Function (PUF) is a lightweight hardware security primitive and suitable for device authentication in the Internet of Things. However, each strong PUF instance must store at least 106 reliable challenge-response pairs in the center nodes, which brings an excessive storage overhead since centers connect massive remote PUFs. In this brief, an obfuscation-feedback-shift-register (OFSR) PUF is designed, consisting of certain weak PUF cells working with an obfuscation mechanism. Meanwhile, it efficiently reduces the storage overhead and overcomes the collapse response caused by normal linear-feedback-shift-register, providing higher security. Experiments show OFSR PUF has ideal performance on reliability, uniqueness, uniformity, randomness, and good resistance to machine learning attacks.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,024
Tête enseignante GPT0,220
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Circuits & Systems II Express BriefsMême sujetPhysical Unclonable Functions (PUFs) and Hardware SecurityTravaux en français237 207