模糊输入输出的强物理不可克隆函数制造技术

本发明专利技术适用于信息安全及集成电路技术领域，提供了一种模糊输入输出的强物理不可克隆函数，包括：输入模糊模块，用于将输入激励通过第一随机特性电路转换后再输入给强物理不可克隆函数；输出模糊模块，用于将所述强物理不可克隆函数的输出响应通过第二随机特性电路转换后再输出给外界；所述模糊输入输出的强物理不可克隆函数的物理结构为在三维集成电路上集成所述强物理不可克隆函数和弱物理不可克隆函数，所述弱物理不可克隆函数夹在两层所述强物理不可克隆函数中间。借此，本发明专利技术保证强物理不可克隆函数随机性与稳定性的同时，能够有效抵抗建模攻击。

【技术实现步骤摘要】

本专利技术涉及信息安全领域及集成电路领域，尤其涉及一种模糊输入输出的强物理不可克隆函数。
技术介绍
随着电子设备的广泛使用，安全和隐私成为重要问题。被认为能永久存储和不被攻击者所知的密钥是传统密码学的核心，然而，很多攻击方法已经能破解密钥，这就使得密钥不足以保证安全。为有效地解决安全问题，物理不可克隆函数(PhysicalUnclonableFunction，PUF)应运而生，它是一种硬件部件，能更有效地应对安全问题。PUF利用芯片制造时不可避免的工艺偏差产生特定的输入输出对，又称激励响应对(Challenge-ResponsePair，CRP)。即使是同样的电路设计，在制造过程中的工艺偏差使得不同芯片的PUF，面对相同的输入激励，可能会产生不同的输出响应，即CRP不同。由于工艺偏差本身难以控制和预测，因此，这些CRP既不能在PUF制造前被预测，也难以在PUF制造后被复制。这相比于传统密钥，具有更大的优势。PUF的这种特性使其在安全领域得到了广泛应用，如知识产权保护、鉴定、认证、识别等。广义上讲PUF可以被分为两类：弱PUF和强PUF。这里的强和弱并非指它们的安全性高低，而是CRP的数量多少，他们的特征分别如下。弱PUF只有很少量的CRP，多数情况下一个弱PUF只有一个CRP。例如，介电粒子层PUF是一种弱PUF，在制造时，随机的撒上一层介电粒子，由于它们的分布难以预测，因此介电粒子层PUF依据随机覆盖的介电粒子层所决定的电容大小产生响应。又如，静态随机存取存储(StaticRandomAccessMemory，SRAM)PUF是另一种弱PUF，受工艺偏差的影响，每个SRAM单元都具有不同的电气特性，在芯片上电的瞬间，不同的SRAM单元之间会随机并且独立地存储0或1，而自然形成了一个CRP。其它一些存储单元如闪存、动态随机存取存储器、忆阻器等同样也具有类似的特性，因而可以用来构造弱PUF。由于基于存储单元的弱PUF只在上电的时候会产生响应，因此相比于存储在非易失性存储器中的密钥更加安全。由于弱PUF仅有少量CRP，因此它们的CRP一般会有专用的一次性安全通道用于厂商在芯片制造后获取，而之后，攻击者则很难再次通过该通道窃取CRP。与弱PUF相比，强PUF则拥有大量CRP。仲裁PUF是一种典型的强PUF，它通过比较两条路径传播跳变的时延来确定响应，每条路径由多个子路径构成，而子路径的选择则是由激励所决定，不同的激励构造的两条路径不相同，而它们的时延大小也不尽相同，从而产生了随机的响应。为了提高仲裁PUF的安全性，仲裁PUF还有许多其它扩展，如前馈仲裁PUF、异或仲裁PUF、轻量仲裁PUF、电流镜PUF等。前馈仲裁PUF通过比较部分路径的时延大小来指导剩余路径中子路径的选择；异或仲裁PUF将多个仲裁PUF的响应进行异或作为最终的响应；轻量仲裁PUF仍然使用异或门对多个仲裁PUF的响应进行异或计算，但一次性得到多个响应比特；电流镜PUF则引入电流代替时延进行比较。环形振荡PUF是另一种强PUF，它的响应通过比较不同环形振荡器的频率大小来确定，而被比较的环形振荡器则由激励决定，但环形振荡PUF硬件开销较大、CRP的数量也比不上仲裁PUF。由于强PUF有大量的CRP，如1038个CRP，而攻击者不可能在合理时间内，如100年时间内读取所有的CRP，又不知道在实际应用时哪些CRP会被使用，因此对强PUF的CRP访问一般没有限制，厂商在芯片制造后会通过CRP的访问端口选择特定的CRP用于后续的应用。随着PUF的研究和应用日益增多，PUF的安全性也受到严重威胁，基于机器学习的建模攻击方法就严重威胁着诸如仲裁PUF等强PUF的安全性。由于强PUF有大量CRP，若为每个CRP设计独立的电路，显然硬件开销十分巨大，因此，强PUF的不同CRP之间都有一定的关联，建模攻击正是通过机器学习来推测这种关联，从而破解强PUF的CRP。建模攻击首先根据强PUF的电路结构，建立以相关物理特性为未知数的CRP模型，然后通过机器学习从获取的部分CRP数据推测这些相关物理特性，然后，对于未知响应的激励，则可以根据所推测的相关物理特性，预测其响应，实现对强PUF的破解。常用的机器学习方法有支持向量机、逻辑回归、进化策略等。使用建模攻击破解仲裁型PUF和环形振荡PUF，CRP预测精度可达到99％以上。即使前馈仲裁PUF、异或仲裁PUF、轻量仲裁PUF和电流镜PUF使强PUF的结构更加复杂，然而使用建模攻击得到的CRP预测精度平均仍然可以达到90％以上，可见强PUF的安全性受到严重威胁。相比而言，弱PUF由于每个响应比特都是由独立的电路产生而天然抗建模攻击。但一些弱PUF，如SRAMPUF却受到侵入式攻击的威胁，攻击者从芯片的底部破坏芯片，从而窃取或篡改SRAMPUF的响应。在进行抗建模攻击的强PUF研究时，对建模攻击能够成功破解强PUF的原因进行了深入分析，发现成功的建模攻击必须获取有效的训练集，知道每一个激励在仲裁型PUF或环形振荡PUF的响应是什么，才能对强PUF不同CRP之间的相关性进行挖掘、进而预测未知的CRP、破解强PUF。综上可知，现有技术在实际使用上显然存在不便与缺陷，所以有必要加以改进。
技术实现思路
针对上述的缺陷，本专利技术的目的在于提供一种模糊输入输出的强物理不可克隆函数，目的是获得更加安全的强PUF输入输出接口，在保证强物理不可克隆函数随机性与稳定性的同时，有效抵抗建模攻击。为了实现上述目的，本专利技术提供一种模糊输入输出的强物理不可克隆函数，包括：输入模糊模块，用于将输入激励通过第一随机特性电路转换后再输入给强物理不可克隆函数；输出模糊模块，用于将所述强物理不可克隆函数的输出响应通过第二随机特性电路转换后再输出给外界；所述模糊输入输出的强物理不可克隆函数的物理结构为在三维集成电路上集成所述强物理不可克隆函数和弱物理不可克隆函数，所述弱物理不可克隆函数夹在两层所述强物理不可克隆函数中间。根据本专利技术所述模糊输入输出的强物理不可克隆函数，所述输入模糊模块包括：弱PUF子模块，用于所述弱物理不可克隆函数对所述输入激励响应得到子激励；反馈移位寄存器，用于所述输入激励先通过计算后保存至所述反馈移位寄存器中，再通过不断的移位和反馈产生多个子激励；所述第一随机特性电路通过所述弱PUF子模块和所述反馈移位寄存器实现；所述输出模本文档来自技高网...

【技术保护点】
一种模糊输入输出的强物理不可克隆函数，其特征在于，包括：输入模糊模块，用于将输入激励通过第一随机特性电路转换后再输入给强物理不可克隆函数；输出模糊模块，用于将所述强物理不可克隆函数的输出响应通过第二随机特性电路转换后再输出给外界；所述模糊输入输出的强物理不可克隆函数的物理结构为在三维集成电路上集成所述强物理不可克隆函数和弱物理不可克隆函数，所述弱物理不可克隆函数夹在两层所述强物理不可克隆函数中间。

【技术特征摘要】
1.一种模糊输入输出的强物理不可克隆函数，其特征在于，包括：
输入模糊模块，用于将输入激励通过第一随机特性电路转换后再输入给强
物理不可克隆函数；
输出模糊模块，用于将所述强物理不可克隆函数的输出响应通过第二随机
特性电路转换后再输出给外界；
所述模糊输入输出的强物理不可克隆函数的物理结构为在三维集成电路上
集成所述强物理不可克隆函数和弱物理不可克隆函数，所述弱物理不可克隆函
数夹在两层所述强物理不可克隆函数中间。
2.根据权利要求1所述模糊输入输出的强物理不可克隆函数，其特征在于，
所述输入模糊模块包括：
弱PUF子模块，用于所述弱物理不可克隆函数对所述输入激励响应得到子
激励；
反馈移位寄存器，用于所述输入激励先通过计算后保存至所述反馈移位寄
存器中，再通过不断的移位和反馈产生多个子激励；
所述第一随机特性电路通过所述弱PUF子模块和所述反馈移位寄存器实
现；
所述输出模糊模块包括：
随机数生成器，用于随机生成若干个随机比特；
强PUF响应转换器，用于根据所述随机比特对所述强物理不可克隆函数在
多个所述子激励下产生的多个响应进行逻辑计算产生最终响应；
所述第二随机特性电路通过所述随机数生成器和所述强PUF响应转换器实
现。
3.根据权利要求2所述模糊输入输出的强物理不可克隆函数，其特征在于，
所述弱PUF子模块使用所述弱物理不可克隆函数的输出响应决定所述反馈
移位寄存器的具体逻辑构造，所述输入模糊模块传递所述子激励给所述强物理
不可克隆函数。
4.根据权利要求3所述模糊输入输出的强物理不可克隆函数，其特征在于，
所述子激励由所述输入激励与所述弱PUF子模块的所述输出响应通过确定的逻
辑关系转换而成，并保存在所述反馈移位寄存器的各个寄存器。
5.根据权利要求4所述模糊输入输出的强物理不可克隆函数，其特征在于，
所述弱PUF子模块的响应比特与所述反馈移位寄存器一一对应，当所述响应比
特为1的时候，相应的所述反馈移位寄存器会获得一个反馈。
6.根据权利要求4所述模糊输入输出的强物理不可克隆函数，其特征在于，
所述反馈移位寄存器包含的寄存器个数不少于所述输入激励的比特数。
7.根据权利要求2所述模...

【专利技术属性】
技术研发人员：叶靖，胡瑜，郭青丽，龚越，李晓维，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京;11