MLP算法提升Glitch PUF安全性：机器学习攻击与预测误差降低

在现代信息安全领域，物理不可克隆函数（Physical Unclonable Function, PUF）因其独特性质，如高度随机性和唯一性，被广泛用于实现设备认证和加密。然而，随着攻击技术的进步，特别是基于机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）的建模攻击，PUF的安全性面临着严峻挑战。其中，Glitch PUF作为一种基于FPGA的PUF，其静态输出易受到攻击，因为它可能导致输出模式可预测。 本文的主要贡献是首次将多层感知器（Multilayer Perceptron, MLP）算法应用于Glitch PUF，以解决其非线性可分数据的问题。传统上，逻辑回归（Logistic Regression, LR）和随机森林（Random Forest, RF）等算法在处理这类问题时可能效果有限。通过使用MLP，研究人员能够更准确地捕捉和模拟Glitch PUF的输入输出映射，从而有效地对抗攻击并预测其输出响应。 相比于LR和RF，MLP的深度学习特性使其能够更好地处理复杂的数据关系，这在实验结果中得到了体现，即MLP算法显著降低了预测错误率。这表明，通过深度学习方法，攻击者能够更高效地破解Glitch PUF，进一步突显了对新型防御策略的需求。 研究者注意到，尽管现有的文献在提升Glitch PUF的随机性和资源利用效率方面做出了贡献，但它们并未深入探讨输入输出映射关系对安全的影响。因此，本文的研究填补了这一空白，为保护Glitch PUF免受机器学习攻击提供了新的思路。 这篇文章的重要性在于它展示了MLP算法在提高Glitch PUF安全性方面的潜力，以及如何通过深度学习技术来对抗日益增长的建模攻击威胁。这对于保障未来的信息安全系统，特别是在硬件信任度较高的应用中，具有重要的理论和实践价值。