توضیحات
This book addresses the issue of Machine Learning (ML) attacks on Integrated Circuits through Physical Unclonable Functions (PUFs). It provides the mathematical proofs of the vulnerability of various PUF families, including Arbiter, XOR Arbiter, ring-oscillator, and bistable ring PUFs, to ML attacks. To achieve this goal, it develops a generic framework for the assessment of these PUFs based on two main approaches. First, with regard to the inherent physical characteristics, it establishes fit-for-purpose mathematical representations of the PUFs mentioned above, which adequately reflect the physical behavior of these primitives. To this end, notions and formalizations that are already familiar to the ML theory world are reintroduced in order to give a better understanding of why, how, and to what extent ML attacks against PUFs can be feasible in practice. Second, the book explores polynomial time ML algorithms, which can learn the PUFs under the appropriate representation. More importantly, in contrast to previous ML approaches, the framework presented here ensures not only the accuracy of the model mimicking the behavior of the PUF, but also the delivery of such a model.
Besides off-the-shelf ML algorithms, the book applies a set of algorithms hailing from the field of property testing, which can help to evaluate the security of PUFs. They serve as a toolbox, from which PUF designers and manufacturers can choose the indicators most relevant for their requirements. Last but not least, on the basis of learning theory concepts, the book explicitly states that the PUF families cannot be considered as an ultimate solution to the problem of insecure ICs. As such, it provides essential insights into both academic research on and the design and manufacturing of PUFs.
————————————————————–
ترجمه ماشینی :
این کتاب به موضوع حملات یادگیری ماشینی (ML) به مدارهای مجتمع از طریق توابع غیرقابل کلون فیزیکی (PUF) می پردازد. این مدارک ریاضی آسیبپذیری خانوادههای مختلف PUF، از جمله Arbiter، XOR Arbiter، ring-oscillator، و PUFهای حلقه دوپایدار را در برابر حملات ML ارائه میکند. برای دستیابی به این هدف، چارچوبی کلی برای ارزیابی این PUF ها بر اساس دو رویکرد اصلی ایجاد می کند. اول، با توجه به ویژگیهای فیزیکی ذاتی، نمایشهای ریاضی مناسب برای هدف از PUFهای ذکر شده در بالا را ایجاد میکند که به اندازه کافی رفتار فیزیکی این مواد اولیه را منعکس میکند. برای این منظور، مفاهیم و رسمیسازیهایی که قبلاً با دنیای تئوری ML آشنا هستند، مجدداً معرفی میشوند تا درک بهتری از چرایی، چگونگی و تا چه حد حملات ML علیه PUFها در عمل امکانپذیر باشد. دوم، این کتاب الگوریتمهای ML زمان چند جملهای را بررسی میکند، که میتوانند PUFها را تحت نمایش مناسب بیاموزند. مهمتر از آن، برخلاف رویکردهای قبلی ML، چارچوب ارائه شده در اینجا نه تنها دقت مدل را که رفتار PUF را تقلید می کند، بلکه ارائه چنین مدلی را نیز تضمین می کند.
< p>علاوه بر الگوریتمهای ML خارج از قفسه، این کتاب مجموعهای از الگوریتمهای برگرفته از حوزه آزمایش دارایی را اعمال میکند که میتواند به ارزیابی امنیت PUFها کمک کند. آنها به عنوان یک جعبه ابزار عمل می کنند که طراحان و تولیدکنندگان PUF می توانند شاخص های مرتبط با نیازهای خود را انتخاب کنند. آخرین اما نه کماهمیت، بر اساس مفاهیم تئوری یادگیری، این کتاب به صراحت بیان میکند که خانوادههای PUF نمیتوانند به عنوان راهحل نهایی برای مشکل ICهای ناامن در نظر گرفته شوند. به این ترتیب، بینش های ضروری را در مورد تحقیقات دانشگاهی و طراحی و ساخت PUF ها ارائه می دهد.
tag : دانلود کتاب در مورد یادگیری توابع غیرقابل کلون فیزیکی , Download در مورد یادگیری توابع غیرقابل کلون فیزیکی , دانلود در مورد یادگیری توابع غیرقابل کلون فیزیکی , Download On the Learnability of Physically Unclonable Functions Book , در مورد یادگیری توابع غیرقابل کلون فیزیکی دانلود , buy در مورد یادگیری توابع غیرقابل کلون فیزیکی , خرید کتاب در مورد یادگیری توابع غیرقابل کلون فیزیکی , دانلود کتاب On the Learnability of Physically Unclonable Functions , کتاب On the Learnability of Physically Unclonable Functions , دانلود On the Learnability of Physically Unclonable Functions , خرید On the Learnability of Physically Unclonable Functions , خرید کتاب On the Learnability of Physically Unclonable Functions ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.