Implementation of Non-Invasive Physical Unclonable Function Based on a Memristor Crossbar Array

Abstract

사물인터넷(IoT) 기술의 상용화로 인해 사용자들의 일상 데이터가 수집되고, 이 데이터에 접근하여 활용하는 일이 빈번해지는 만큼 사용자 개인의 사생활 보호와 안전, 그리고 사회 인프라 전반의 안정적인 작동을 위한 보안 시스템의 중요성이 대두되었다. 또한 기존의 소프트웨어 기반 보안에 대한 공격 시도가 증가하고 그 위협성이 드러남에 따라 하드웨어 보안 시스템에 대한 관심이 높아지고 있다. Physical Unclonable Function(PUF)는 최근 제안된 하드웨어 보안 시스템의 일종으로, 동일한 방식으로 제작된 장치에서 내재된 미세 편차를 극대화하여 보안에 사용하는 방식이다. 지금까지 공정의 편의성과 읽고 쓰기의 편의성 때문에 MOS 트랜지스터로 이루어진 CMOS circuit 내부의 공정 편차를 활용하는 PUF가 주로 연구되었다. 그러나 최근에는 더 작은 소자 크기를 가지면서, 그에 따라 더 큰 공정 편차를 가져 PUF로 사용하기에 적합한 차세대 메모리 기반 PUF가 주목받고 있다. 본 연구에서는 차세대 메모리의 일종인 멤리스터(Memristor)를 집적한 크로스바 어레이를 활용한 PUF를 설계하였다. 멤리스터는 2단자 차세대 메모리의 일종으로 넓은 전기적 특성 편차와 고집적이 가능하다는 특징 때문에 PUF의 보안 성능을 극대화할 수 있다는 장점을 가지고 있다. 본 연구에서는 기존에 연구된 PUF 대비 넓은 공정 산포를 활용하고, 보안에 사용되는 Challenge-Resonse Pair 극대화를 통한 보안 키 증가로 예측 불가능성을 극대화하였다. 또한, 제작한 멤리스터 소자의 전기적 특성을 모델링하고, 이를 기반으로 PUF를 회로 시뮬레이션으로 구현하였으며 출력 결과를 기반으로 보안 성능 평가 및 머신러닝 공격 방어 성능 평가를 수행하였다.;With the commercialization of IoT technology, the importance of security systems has been increased. Various attack methods such as tampering and side-channel attack have been developed for software security that has been mainly used. To overcome this limitation, interest in new hardware security systems, especially Physical Unclonable Function (PUF) is increasing. PUF is a device that utilizes inherent physical deviations for security, which are formed during the same manufacturing process. In this study, Selected-Bit line Current PUF (SBC-PUF) based on a TiOx-Al2O3 memristor crossbar array is proposed. Applied memristor devices are suitable for PUFs due to their large electrical resistance variations and high integration. In addition, the unpredictability was increased by using the set voltage distribution as an entropy source and applying a structure that maximizes the number of CRPs. In this paper, the electrical characteristics of the memristor device were modeled and PUF was implemented as a circuit simulation, and evaluations of security performance and machine learning defensive performance evaluation were performed based on the simulation results.