Grafeensleutel voor nieuwe hardwarebeveiliging

Home > Media > Grafeensleutel voor nieuwe hardwarebeveiliging

Een team van Penn State-onderzoekers heeft een nieuw hardware-beveiligingsapparaat ontwikkeld dat gebruikmaakt van variaties in de microstructuur om veilige sleutels te genereren. CREDIT
Jennifer McCann, Penn State

Abstract:
Naarmate er meer privégegevens digitaal worden opgeslagen en gedeeld, onderzoeken onderzoekers nieuwe manieren om gegevens te beschermen tegen aanvallen van kwaadwillenden. De huidige siliciumtechnologie maakt gebruik van microscopisch kleine verschillen tussen computercomponenten om veilige sleutels te creëren, maar kunstmatige intelligentie (AI) -technieken kunnen worden gebruikt om deze sleutels te voorspellen en toegang te krijgen tot gegevens. Nu hebben Penn State-onderzoekers een manier ontworpen om de versleutelde sleutels moeilijker te kraken.

Grafeensleutel voor nieuwe hardwarebeveiliging

University Park, PA | Geplaatst op 10 mei 2021

Onder leiding van Saptarshi Das, assistent-professor in technische wetenschappen en mechanica, gebruikten de onderzoekers grafeen - een laag koolstof van één atoom dik - om een nieuw energiezuinig, schaalbaar, herconfigureerbaar hardwarebeveiligingsapparaat te ontwikkelen met een aanzienlijke veerkracht tegen AI-aanvallen. Ze publiceerden hun bevindingen vandaag (10 mei) in Nature Electronics.

"Er is de laatste tijd steeds meer inbreuk op privégegevens", zei Das. "We hebben een nieuw hardwarebeveiligingsapparaat ontwikkeld dat uiteindelijk zou kunnen worden geïmplementeerd om deze gegevens in verschillende bedrijfstakken en sectoren te beschermen."

Het apparaat, een fysiek niet-kloneerbare functie (PUF) genoemd, is volgens de onderzoekers de eerste demonstratie van een op grafeen gebaseerde PUF. De fysieke en elektrische eigenschappen van grafeen, evenals het fabricageproces, maken de nieuwe PUF energiezuiniger, schaalbaarder en veiliger tegen AI-aanvallen die een bedreiging vormen voor silicium PUF's.

Het team vervaardigde eerst bijna 2,000 identieke grafeentransistors, die de stroom in een circuit in- en uitschakelen. Ondanks hun structurele gelijkenis varieerde de elektrische geleidbaarheid van de transistors vanwege de inherente willekeur die voortkwam uit het productieproces. Hoewel een dergelijke variatie typisch een nadeel is voor elektronische apparaten, is het een wenselijke kwaliteit voor een PUF die niet wordt gedeeld door op silicium gebaseerde apparaten.

Nadat de grafeentransistors in PUF's waren geïmplementeerd, hebben de onderzoekers hun kenmerken gemodelleerd om een simulatie te creëren van 64 miljoen op grafeen gebaseerde PUF's. Om de veiligheid van de PUF's te testen, gebruikten Das en zijn team machine learning, een methode waarmee AI een systeem kan bestuderen en nieuwe patronen kan vinden. De onderzoekers trainden de AI met de PUF-simulatiegegevens van grafeen en testten of de AI deze training zou kunnen gebruiken om voorspellingen te doen over de gecodeerde gegevens en systeemonzekerheden aan het licht te brengen.

"Neurale netwerken zijn erg goed in het ontwikkelen van een model op basis van een enorme hoeveelheid gegevens, zelfs als mensen dat niet kunnen", zei Das. "We ontdekten dat AI geen model kon ontwikkelen, en het was niet mogelijk om het coderingsproces te leren."

Deze weerstand tegen machine learning-aanvallen maakt de PUF veiliger, omdat potentiële hackers de gelekte gegevens niet konden gebruiken om een apparaat te reverse-engineeren voor toekomstige exploitatie, zei Das. Zelfs als de sleutel zou kunnen worden voorspeld, zou de grafeen-PUF een nieuwe sleutel kunnen genereren via een herconfiguratieproces dat geen extra hardware of vervanging van componenten vereist.

"Normaal gesproken, als de beveiliging van een systeem eenmaal in gevaar is gebracht, wordt het permanent aangetast", zegt Akhil Dodda, een ingenieurswetenschappen en mechanica die onderzoek doet onder het mentorschap van Das. "We hebben een schema ontwikkeld waarmee een dergelijk gecompromitteerd systeem opnieuw kan worden geconfigureerd en opnieuw kan worden gebruikt, waarbij fraudebestendigheid als een andere beveiligingsfunctie kan worden toegevoegd."

Met deze eigenschappen, evenals het vermogen om over een breed temperatuurbereik te werken, zou de op grafeen gebaseerde PUF in een verscheidenheid aan toepassingen kunnen worden gebruikt. Verder onderzoek kan wegen openen voor het gebruik ervan in flexibele en afdrukbare elektronica, huishoudelijke apparaten en meer.

###

Medeauteurs op papier zijn onder meer Dodda, Shiva Subbulakshmi Radhakrishnan, Thomas Schranghamer en Drew Buzzell uit Penn State; en Parijat Sengupta van Purdue University. Das is ook aangesloten bij het Penn State Department of Materials Science and Engineering en het Materials Research Institute.

####

Voor meer informatie, klik hier

Kontakte:
Megan Lakatos
814-865-5544

@pieterpaans

Auteursrecht © Penn State

Als u een opmerking heeft, alstublieft Neem contact op met ons op.

Uitgevers van nieuwsberichten, niet 7th Wave, Inc. of Nanotechnology Now, zijn zelf verantwoordelijk voor de juistheid van de inhoud.

Bladwijzer: