The proliferation of edge devices necessitates new needs for privacy protection and chip authentication primitives. Due to its natural randomization and stochastic features, memristors are an appealing entropy source for implementing hardware-based security primitives. We propose a trainable encryption system, an unique physically unclonable function (PUF) architecture that utilizes deep learning techniques, with the deployment of memristors as one of many technologies that match basic requirements. Because the system does not rely on the precision of write operations, the suggested architecture coupled with the memristor array is simple to develop. To consider a non-differentiable module during training, we provide a novel concept of loss termed PUF loss. Update of weights using the loss function results in the best performance. We demonstrate that our design yields a near-ideal average value of 50 percent for security criteria such as uniformity, diffuseness, and uniqueness. This indicates that through training with PUF loss, our design meets the realistic quality criteria for security primitives. Additionally, we demonstrate that the resultant response is impervious to deep learning-based modeling attacks, as illustrated by the near-50 percent prediction model accuracy.
모바일 기기와 사물 인터넷(Internet of Things, IoT)의 발달은 개인 정보 보호, 새로운 하드웨어 인증 방식에 대한 필요성을 대두시켰다. 새로운 하드웨어 기반 보안 키(Security Key)를 구현하는 데 있어, 멤리스터(Memristor)는 그것의 임의성(Randomness)에 기반한 특성에 의해 주목을 받고 있다. 우리는 멤리스터를 이용한 학습 가능한 암호화 소자 시스템을 제안한다. 제안하는 암호화 소자는 멤리스터의 확률적인 On/Off state 전환 특성에 기반함과 동시에, 뉴로모픽한 특성 또한 이용할 수 있어 주목할 만하다. 두 가지를 동시에 이용하기 위해 최근 여러 분야에 걸쳐 이용되는 딥러닝(Deep Learning) 알고리즘을 활용하였으며, PUF Loss 라는 새로운 개념을 제안하였다. PUF Loss를 활용한 학습을 통해 제안된 암호화 소자는 보안 키로서의 최적의 성능을 낼 수 있다. 특히, 균일성(Uniformity), 발산성(Diffuseness), 그리고 유일성(Uniqueness)에 대해 이상적인 값인 50 %에 매우 근접한 측정 값을 보였다. 그리고 딥러닝 기반 공격에 대해 저항성(Resistance) 또한 갖추어 제안 기술의 유효성을 확인하였다.
