New Resource Efficient Multi-PUF Techniques
Notice bibliographique
Résumé
The Physical Unclonable Function (PUF) is a lightweight hardware solution that offers affordable hardware-based security for electronic devices and systems. Due to their unpredictable response generation and inability to be replicated, their utilization is rapidly growing in authentication and security applications. It presents an alternative to conventional cryptographic systems that require large chip area and memory storage. However, a significant concern lies in the vulnerability of PUFs to popular machine learning attacks, such as Covariance Matrix Adaptability and Evaluation Strategy (CMA-ES) attacks and Linear Regression (LR) attacks, among others. To mitigate these vulnerabilities, numerous PUF models have been proposed, aiming to make it difficult to determine the Challenge-Response Pairs (CRPs) for those PUFs. Among these models, Multi-PUFs (MPUFs) have gained popularity for their success in enhancing security. however, MPUFs demand considerable resources and exhibit relatively low PUF metric values, despite their improved security against ML attacks. To increase resource efficiency further, two new Multi-PUF technique has been proposed in this paper, aiming to achieve a balance between resource utilization and challenge obfuscation complexity. The key idea involves reducing the number of resources used in a PUF line while concurrently increasing complexity during challenge obfuscation. The proposed design is implemented and verified on the Arty A7 100t FPGA board using AMD Vivado and Vitis Environment. Experimental results show that resource usage has been significantly reduced, by 9 and 46.5 percent respectively, for the two proposed techniques.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».