Polynomial Bounds for Learning Noisy Optical Physical Unclonable Functions and Connections to Learning With Errors

要約

穏やかな仮定の下で、多項式的に多くのチャレンジ-レスポンスペアと多項式に制限された計算能力にアクセスできれば、ノイズが存在する場合でも、あるクラスの光学物理複製不可能関数(PUF)を任意の高確率で任意の精度まで学習できることが示されています。
ノイズベクトルとチャレンジベクトルの分布について。
これは、Rh\’uramir らの結果を拡張します。
(2013) は、PUF の光学系が線形であるか、非線形効果が無視できるという仮定の下で、このクラスの PUF のサブセットがノイズのない多項式時間で学習可能であることを示しました。
PUF のサイズ パラメーター、チャレンジ ベクトルとノイズ ベクトルの分布、回帰アルゴリズムの確率と精度に基づいて、必要なサンプル数と線形回帰アルゴリズムの計算量の多項式境界を同様の方法で導出します。
Bootle et al. が行った分析に基づく分析。
(2018) は、Learning With Errors 問題の不十分に実装されたバージョンに対する学習攻撃を実証しました。

要約(オリジナル)

It is shown that a class of optical physical unclonable functions (PUFs) can be learned to arbitrary precision with arbitrarily high probability, even in the presence of noise, given access to polynomially many challenge-response pairs and polynomially bounded computational power, under mild assumptions about the distributions of the noise and challenge vectors. This extends the results of Rh\’uramir et al. (2013), who showed a subset of this class of PUFs to be learnable in polynomial time in the absence of noise, under the assumption that the optics of the PUF were either linear or had negligible nonlinear effects. We derive polynomial bounds for the required number of samples and the computational complexity of a linear regression algorithm, based on size parameters of the PUF, the distributions of the challenge and noise vectors, and the probability and accuracy of the regression algorithm, with a similar analysis to one done by Bootle et al. (2018), who demonstrated a learning attack on a poorly implemented version of the Learning With Errors problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google