Utilisation des fonction physiques non clonages pour la Securisation des systemes embarques

PUF based Secure Computing for Constraint Cyber Physical Object

• Auteur / Autrice : Amir Alipour
• Direction : David Hély, Giorgio Di Natale, Vincent Beroulle
• Type : Thèse de doctorat
• Discipline(s) : Nanoélectronique et nanotechnologie
• Date : Soutenance le 08/12/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de conception et d'intégration des systèmes (Valence ; 1996-....)
• Jury : Président / Présidente : Lilian Bossuet
• Jury : Examinateurs / Examinatrices : Fatemeh Afghah, Laurent Fesquet
• Jury : Rapporteurs / Rapporteuses : Alberto Bosio, Jean-Luc Danger

Mots clés

Mots clés contrôlés

Chiffrement (informatique)

Apprentissage profond

Systèmes informatiques -- Mesures de sûreté

Systèmes embarqués (informatique)

Mots clés libres

Securite Materielle

Apprentissage profond

Fonctions physiques non-Clonables

Securite des systèmes embarques

Embedded System Security

Hardware Security

Deep Learning

Physical Unclonable Function

Résumé

Le travail de recherche pratiqué dans ce programme de doctorat est consacré à l'étude de l'utilisation de l'apprentissage automatique dans la création de nouvelles solutions de sécurité basées sur des fonctions physiquement non clonables (PUF) pour les systèmes à ressources limitées. PUF est considéré comme une primitive matérielle permettant aux algorithmes de sécurité de créer des identifiants de périphérique et des valeurs de clé de chiffrement. La capacité de PUF dans certaines variantes (c'est-à-dire PUF fort) est de générer un grand nombre de CRP. Ainsi, pour inscrire PUF, il est nécessaire d'utiliser une technique pour capturer et stocker les CRP pour une utilisation ultérieure. La technique classique consiste à envisager la création d'une base de données des CRP. Cependant, au fur et à mesure que les structures PUF ont évolué au fil du temps, leur capacité à générer un très grand nombre de CRP a également considérablement augmenté. Cela signifie que la variante PUF forte à un certain point peut générer des CRP qui ne peuvent pratiquement pas être contenus dans une base de données CRP. Pour résoudre ce problème, nous nous concentrons sur l'utilisation de la création d'un modèle prédictif de PUF et donnons accès à l'espace CRP du PUF, considérant que les paramètres constitutifs du modèle prédictif sont énumérables et faciles à stocker. La modélisation de PUF à l'aide de solutions d'apprentissage automatique (ML) a fait l'objet de discussions approfondies dans la littérature. Dans ce travail, nous étudions le cas d'utilisation bénéfique de la modélisation basée sur ML de PUF pour inscrire le PUF.Nous démontrons que le cas d'utilisation bénéfique de la modélisation PUF pour l'inscription est rarement discuté dans la littérature, alors que la majeure partie de l'accent mis sur la modélisation PUF est désignée comme faisant partie de l'analyse de sécurité du composant. Par conséquent, pour franchir une étape solide dans la voie de l'inscription PUF basée sur ML, nous créons une méthodologie qui se concentre sur l'engagement des paramètres importants dans la formation de modèles prédictifs à l'aide de solutions ML, et les paramètres importants dans l'inscription PUF. De plus, nous discutons des solutions qui peuvent faciliter la modélisation de PUF pour augmenter la probabilité de succès dans l'obtention d'un modèle utilisant moins de données d'apprentissage et de temps d'apprentissage. À cette fin, nous étudions des techniques d'optimisation telles que l'apprentissage par transfert et la modélisation de sous-espaces.Prochaine étape, nous nous concentrons sur le développement d'un protocole qui utilise les solutions du modèle PUF. Nous démontrons que l'existence d'une telle source prédictive de CRP peut ouvrir de nouvelles possibilités pour corriger les erreurs qui apparaissent normalement dans la primitive secrète qui vient d'être invoquée pendant le mode mission et qui devrait ensuite se transformer en un identifiant ou une clé de chiffrement. À cette fin, nous introduisons une nouvelle technique de codage de type répétition qui permet la récupération de code sans échanger directement les réponses PUF ou un décalage de code.En plus d'utiliser ML pour créer de nouvelles solutions, nous nous concentrons également sur la sécurité de la génération de clés basée sur PUF en utilisant le PUF lui-même comme source de sécurité. À cette fin, nous introduisons une contre-mesure de masquage pour l'algorithme de génération de clé basé sur Fuzzy Extractor (FE) dans lequel nous masquons le décalage de code (c'est-à-dire un constituant d'une donnée d'assistance accessible au public) à l'aide de la réponse PUF. Nous montrons que le masquage du décalage de code à l'aide de la réponse PUF est une contre-mesure potentielle contre les attaques HDM en réduisant considérablement les chances de succès de l'imposition d'une mauvaise clé de chiffrement.

The research work practiced in this PhD program is dedicated to investigating the use of machine learning in creating novel security solutions based on Physically Unclonable Functions (PUF) for resource constrained systems. PUF is considered a hardware primitive for security algorithms to create device identifiers and encryption key values. The capability of PUF in certain variants (i.e., strong PUF) is to generate large number of CRPs. Thus, to enroll PUF, it is required to use a technique to capture and store the CRPs for later use. The conventional technique is to consider creating a database of CRPs. However, as the PUF structures evolved over time, their capability to generate very large number of CRPs also increased drastically. This means that the strong PUF variant at certain point can generate CRPs that is not containable practically into a CRP database. To resolve this issue, we focus on using creating a predictive model of PUF and provide access to the CRP space of the PUF, considering that the constituent parameters of the predictive model are enumerable and easy to store. Modeling PUF using Machine Learning (ML) solutions have been under deep discussions in the literature. In this work, we investigate the beneficial use-case of ML-based modeling of PUF to enroll the PUF.We demonstrate that the beneficial use-case of PUF modeling for enrollment is seldom discussed in the literature, while most of the focus on PUF modeling is designated as part of the security analysis of the component. Therefore, to take a solid step into the route of ML-based PUF enrollment, we create a methodology which focuses on engaging the important parameters in training predictive models using ML solutions, and the parameters important in PUF enrollment. Moreover, we discuss on solutions which can facilitate the modeling of PUF to increase the probability of success in obtaining a model using less training data and time of training. To that end we investigate optimization techniques such as transfer learning and sub-space modeling.Next step, we set focus on developing a protocol that utilizes the PUF model solutions. We demonstrate that the existence of such predictive source of CRPs can open new possibilities in correcting errors that normally appear in the secret primitive that is just invoked during the mission mode and should later turn into an identifier or an encryption key. To that end, we introduce a novel repetition-like coding technique which enables code recovery without exchanging PUF responses directly, or a code-offset.Aside to using ML in creating novel solutions, we set focus as well on the security for PUF-based key generation using the PUF itself as the source of security. To that end, we introduce a masking countermeasure for Fuzzy Extractor (FE) based key generation algorithm where we mask the code-offset (i.e., a constituent of a publicly available helper data) using PUF response. We show that masking code-offset using PUF response is a potential countermeasure against HDM attacks in drastically lowering the chance of success in imposing a bad encryption key. Later we discuss as well that our masking solution can be useful for other PUF-based protocols that demand masking a protection scheme.We also discuss some miscellaneous ideas around and on top of the major contributions mentioned above. For instance, we discuss the potential of using Simulatable strong PUF over weak PUF structures. Such transformation in turn would allow weak PUF systems to benefit from the usability of ML model solutions for enrollment and error correction for key generation and authentication.