Sourcing Trust From Peers with Physical Unclonable Functions
Notice bibliographique
Résumé
Traditional authentication schemes rely heavily on trusted third parties that act as certificate authorities to source authentication credentials. In this paper, we describe an offline, end-to-end mutual authentication and session key generation protocol, called PUF-based Peer Trust (PPT), where authentication and session key generation between two parties (Alice and Bob) is implemented using physical unclonable functions (PUFs) and authentication information from neighboring peer devices (Charlies). Trust among the parties is established by defining an effort-reward model based on Contract Theory that leverages the trust beliefs provided by a set of peer devices. Alice autonomously selects a set of trusted Teds from the set of untrusted Charlies using a reinforcement learning algorithm based on Stochastic Learning Automata. These Teds participate in a peer trust authentication process designed to help Alice decide if Bob is trustworthy. The Teds are incentivized to provide accurate information (effort) via a reward system based on trust scores. Alice computes a personalized trust belief distribution for all the Charlies and utilizes it to eventually update the trust scores of the selected Teds based on their contribution to Bob's authentication process. An experimental evaluation of the model is carried out using a set of PUF-instantiated FPGAs. Detailed numerical results are presented demonstrating the effectiveness of the proposed scheme and its ability to correctly decide if Bob is trustworthy based on incomplete information provided by peers.
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 | 0,001 |
| 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 | 0,000 |
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 ».