Naarmate meer privégegevens digitaal worden opgeslagen en gedeeld, onderzoekers onderzoeken 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 technieken voor kunstmatige intelligentie (AI) kunnen worden gebruikt om deze sleutels te voorspellen en toegang te krijgen tot gegevens. Nutsvoorzieningen, Onderzoekers van Penn State hebben een manier ontworpen om de versleutelde sleutels moeilijker te kraken te maken.

Onder leiding van Saptarshi Das, assistent-professor in de ingenieurswetenschappen en mechanica, de onderzoekers gebruikten grafeen - een laag koolstof van één atoom dik - om een ​​nieuwe laagvermogen, schaalbaar, herconfigureerbaar hardwarebeveiligingsapparaat met aanzienlijke weerstand tegen AI-aanvallen. Ze publiceerden hun bevindingen in Natuur Elektronica vandaag (10 mei).

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

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

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

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

"Neurale netwerken zijn erg goed in het ontwikkelen van een model uit een enorme hoeveelheid data, 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 geschonden gegevens niet kunnen gebruiken om een ​​apparaat te reverse-engineeren voor toekomstige exploitatie, zei Das. Zelfs als de sleutel kon worden voorspeld, de grafeen PUF zou een nieuwe sleutel kunnen genereren via een herconfiguratieproces dat geen extra hardware of vervanging van componenten vereist.

"Normaal gesproken, zodra de beveiliging van een systeem is aangetast, het is permanent aangetast, " zei Akhil Dodda, een afgestudeerde student technische wetenschappen en mechanica die onderzoek doet onder het mentorschap van Das. "We hebben een schema ontwikkeld waarin zo'n gecompromitteerd systeem opnieuw kan worden geconfigureerd en opnieuw kan worden gebruikt, het toevoegen van sabotageweerstand als een andere beveiligingsfunctie."

Met deze functies, evenals de capaciteit om over een breed temperatuurbereik te werken, de op grafeen gebaseerde PUF kan in verschillende toepassingen worden gebruikt. Verder onderzoek kan wegen openen voor gebruik in flexibele en afdrukbare elektronica, huishoudelijke apparaten en meer.