Графеновый ключ для новой аппаратной безопасности

Поскольку все больше личных данных хранится и передается в цифровом формате, исследователи изучают новые способы защиты данных от атак злоумышленников. Современные кремниевые технологии используют микроскопические различия между компьютерными компонентами для создания безопасных ключей, но методы искусственного интеллекта (ИИ) могут использоваться для предсказания этих ключей и получения доступа к данным. Теперь исследователи Пенсильванского университета разработали способ усложнить взлом зашифрованных ключей.

Под руководством Саптарши Даса (Saptarshi Das), доцента инженерных наук и механики, исследователи использовали графен для разработки нового маломощного, масштабируемого, реконфигурируемого аппаратного устройства безопасности, обладающего значительной устойчивостью к атакам ИИ. Они опубликовали свои выводы в журнале Nature Electronics.

«В последнее время наблюдается все больше и больше нарушений конфиденциальности, - сказал доц. Дас. - Мы разработали новое аппаратное устройство безопасности, которое в конечном итоге может быть реализовано для защиты этих данных в различных отраслях и секторах».

По словам исследователей, устройство, называемое физически неклонируемой функцией (PUF), является первой демонстрацией PUF на основе графена. Физические и электрические свойства графена, а также процесс изготовления, делают новый PUF более энергоэффективным, масштабируемым и защищенным от атак ИИ, которые представляют угрозу для кремниевых PUF.

Команда сначала изготовила около 2000 идентичных графеновых транзисторов, которые включают и выключают ток в цепи. Несмотря на их структурное сходство, электропроводность транзисторов варьировалась из-за присущей им случайности, возникающей в процессе производства. Хотя такое изменение обычно является недостатком для электронных устройств, это желаемое качество для PUF, которое не используется в кремниевых устройствах.

После того, как графеновые транзисторы были реализованы в PUF, исследователи смоделировали их характеристики, чтобы создать симуляцию 64 миллионов PUF на основе графена. Чтобы проверить безопасность PUF, Дас и его команда использовали машинное обучение - метод, который позволяет ИИ изучать систему и находить новые закономерности. Исследователи обучили ИИ с помощью данных моделирования графенового PUF, проверяя, может ли ИИ использовать это обучение для прогнозирования зашифрованных данных и выявления уязвимостей системы.

«Нейронные сети очень хороши в разработке модели из огромного количества данных, даже если люди не могут этого сделать, - сказал Дас. - Мы обнаружили, что ИИ не может разработать модель, и невозможно изучить процесс шифрования».

Эта устойчивость к атакам машинного обучения делает PUF более безопасным, поскольку потенциальные хакеры не могут использовать взломанные данные для обратного проектирования устройства для использования в будущем, сказал Дас. Даже если ключ можно было бы предсказать, графеновый PUF мог бы сгенерировать новый ключ посредством процесса реконфигурации, не требующего дополнительного оборудования или замены компонентов.

«Обычно, если безопасность системы была скомпрометирована, она навсегда скомпрометирована, - сказал Ахил Додда (Akhil Dodda), аспирант по инженерным наукам и механике, проводящий исследования под руководством Даса. - Мы разработали схему, в которой такую скомпрометированную систему можно было бы перенастроить и использовать снова, добавив защиту от взлома в качестве еще одной функции безопасности».

Благодаря этим характеристикам, а также способности работать в широком диапазоне температур, ППУ на основе графена может использоваться во множестве приложений. Дальнейшие исследования могут открыть возможности для его использования в гибкой и пригодной для печати электронике, бытовых устройствах и многом другом.

Команда исследователей из Пенсильванского университета разработала новое аппаратное устройство безопасности, которое использует преимущества вариаций микроструктуры для генерации ключей безопасности

Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365