ОГЛЯД СУЧАСНИХ МЕТОДІВ АВТЕНТИФІКАЦІЇ ДЛЯ МІКРОКОНТРОЛЕРІВ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2024.25.200214

Ключові слова:

кібербезпека; вразливості; безпека мікроконтролерів; методи автентифікації

Анотація

Робота присвячена дослідженню сучасних методів автентифікації мікроконтролерів, які займають важливе місце в сучасному технологічному ландшафті. Мікроконтролери є основою більшості вбудованих пристроїв, що використовуються в різних сферах, включаючи побутову електроніку, автомобільні системи, промислове обладнання та медичні пристрої. Вони виконують ключові функції, пов'язані з управлінням, контролем і моніторингом безлічі процесів та систем. З огляду на широке впровадження мікроконтролерів у критично важливі інфраструктури, питання забезпечення їхньої безпеки стає пріоритетним. Автентифікація мікроконтролерів має вирішальне значення для захисту від несанкціонованого доступу та кібератак, що можуть призвести до серйозних наслідків, зокрема втрата даних, контроль над системами або збої в роботі критичних сервісів. У роботі детально розглядається значущість безпеки мікроконтролерів у сучасних технологіях та досліджуються потенційні ризики, що виникають внаслідок використання незахищених мікроконтролерів. Також у роботі проаналізовано сучасні методи автентифікації, що використовуються для захисту мікроконтролерів. Особливу увагу приділено порівнянню різних підходів до автентифікації, що включає як традиційні, так і нові методи, що ґрунтуються на криптографії, фізичних неклонованих функціях (PUF) та біометрії. Для кожного з методів наведено їхні переваги, недоліки та сфери застосування, а також оцінено їхню ефективність у контексті різних сценаріїв безпеки. Крім того, в роботі описано результати практичного застосування деяких методів автентифікації на реальних прикладах, що підтверджують їхню життєздатність і ефективність у захисті сучасних систем. Автори також пропонують майбутні напрямки досліджень у цій сфері, зокрема розробку нових методів автентифікації, що поєднують високу надійність і простоту впровадження в умовах швидкого розвитку технологій та кіберзагроз.

Завантаження

Дані завантаження ще не доступні.

Посилання

Kleber, S. (2015). Secure Execution Architecture based on PUF-driven Instruction Level Code Encryption: preprint. Cryptology ePrint Archive.

Khalil, D. (2019). A Comparison Survey Study on RFID Based Anti-Counterfeiting Systems. J. Sens. Actuator Netw. 8(3), 37. https://doi.org/10.3390/jsan8030037

Karimian, N. (2019). DRAMNet: Authentication based on Physical Unique Features of DRAM Using Deep Convolutional Neural Networks. https://doi.org/10.48550/arXiv.1902.09094

Yang, D. (2019). Security and Accuracy of Fingerprint-Based Biometrics: A Review. Symmetry, 11(2), 141. https://doi.org/10.3390/sym11020141

Shamsoshoara, A., Korenda, A., Fatemeh, A., & Sherali, Z. (2020). A survey on physical unclonable function (PUF)-based security solutions for Internet of Things. Comp. Netw. 183. https://doi.org/10.1016/j.comnet.2020.107593

Nadimi Goki, P., Civelli, S., Parente, E. (2023). Optical identification using physical unclonable functions. https://doi.org/10.48550/arXiv.2305.02141

Shamala, L., Zayaraz, D., Vivekanandan, D. (2021). Lightweight Cryptography Algorithms for Internet of Things enabled Networks: An Overview. Journal of Physics: Conference Series, 1717. https://doi.org/10.1088/1742-6596/1717/1/012072

van de Meent, T. A. (2022). Comparative Study on Lightweight Authentication Protocols in IoT context. https://essay.utwente.nl/89452/1/van_de_Meent_BA_EEMCS.pdf.

Papathanasaki, M. (2022). Modern Authentication Methods: A Comprehensive Survey. AI, Computer Science and Robotics Technology. https://doi.org/10.5772/acrt.08

Yang, A. (2022). A Lightweight and Practical Anonymous Authentication Protocol Based on Bit-Self-Test PUF. Electronics, 11(5), 772. https://doi.org/10.3390/electronics11050772

Meixner, A. (2023). Fingerprinting Chips For Traceability. https://semiengineering.com/fingerprinting-chips-for-traceability/

Mahadeen, M. (2023). Smartphone User Identification/Authentication Using Accelerometer and Gyroscope Data. Sustainability, 15(13), 10456. https://doi.org/10.3390/su151310456

Gupta, C. (2024). A Lightweight and Secure PUF-Based Authentication and Key-exchange Protocol for IoT Devices. https://doi.org/10.21203/rs.3.rs-3850019/v1

Xi, D. (2024). Device Identity Recognition Based on an Adaptive Environment for Intrinsic Security Fingerprints. Electronics, 13(3), 656. https://doi.org/10.3390/electronics13030656

Nie, S., Liu, L., & Du, Y., (2017). Free-fall: Hacking tesla from wireless to can bus.

Gassend, B., Clarke, D., van Dijk, M., & Devadas, S., (2002). Silicon physical random functions, Proceedings of the 9th ACM Conference on Computer and Communications Security, 148–160. https://doi.org/10.1145/586110.586132

Anagnostopoulos, N. A., Katzenbeisser, S., Chandy, J., & Tehranipoor, F., (2018). An overview of dram-based security primitives. Cryptography, 2(2).

Tehranipoor, F., Karimian, N., Yan, W., & Chandy, J. A., (2017). Dram-based intrinsic physically unclonable functions for system-level security and authentication. IEEE Transactions on Very Large Scale Integration (VLSI) Systems, 25, 1085–1097.

Tehranipoor, F., Yan, W., & Chandy, J. A. (2016). Robust hardware true random number generators using dram remanence effects. IEEE International Symposium on Hardware Oriented Security and Trust (HOST), 79–84.

Schaller, A., Xiong, W., Anagnostopoulos, N. A., Saleem, M. U., Gabmeyer, S., Skoric, B., Katzenbeisser, S., & Szefer, J., (2018). Decay-based dram pufs in commodity devices. IEEE Transactions on Dependable and Secure Computing.

Talukder, B. M. S. B., Ray, B., Tehranipoor, M., Forte, D., & Rahman, M. T. (2018). LDPUF: exploiting DRAM latency variations to generate robust device signatures. arXiv preprint. https://doi.org/10.48550/arXiv.1808.02584

Kim, J. S., Patel, M., Hassan, H., & Mutlu, O. (2018). The dram latency puf: Quickly evaluating physical unclonable functions by exploiting the latency-reliability tradeoff in modern commodity dram devices. IEEE International Symposium on High Performance Computer Architecture (HPCA), 194–207.

Anagnostopoulos, N. A., Arul, T., Fan, Y., Hatzfeld, C., Schaller, A., Xiong, W., Jain, M., Saleem, M. U., Lotichius, J., Gabmeyer, S., Szefer, J., & Katzenbeisser, S. (2018). Intrinsic run-time row hammer pufs: Leveraging the row hammer effect for run-time cryptography and improved security. Cryptography, 2(3).

Ruhrmair, U., Sehnke, F., Zolter, J. S., Dror, G., Devadas, S., & Schmidhuber, J. (2010). Modeling attacks on physical unclonable functions. Proceedings of the 17th ACM Conference on Computer and Communications Security, CCS ‘10, 237–249.

Rhrmair, U., Slter, J., Sehnke, F., Xu, X., Mahmoud, A., Stoyanova, V., Dror, G., Schmidhuber, J., Burleson, W., & Devadas, S., (2013). Puf modeling attacks on simulated and silicon data. IEEE Transactions on Information Forensics and Security, 8, 1876–1891.

Ganji, F., Tajik, S., Faßler, F., & Seifert, J.-P. (2016). Strong machine learning attack against pufs with no mathematical model. Cryptographic Hardware and Embedded Systems – CHES 2016, 391–411.

Herder, C., Yu, M., Koushanfar, F., & Devadas, S. (2014). Physical unclonable functions and applications: A tutorial. Proceedings of the IEEE, 102, 1126–1141.

Yu, M.-D. M., M’Raihi, D., Sowell, R., & Devadas, S. (2011). Lightweight and secure puf key storage using limits of machine learning. Cryptographic Hardware and Embedded Systems – CHES 2011, 358–373.

Paral, Z., & Devadas, S., (2011). Reliable and efficient puf-based key generation using pattern matching. IEEE International Symposium on Hardware-Oriented Security and Trust, 128–133.

Addabbo, T., Fort, A., Marco, M. D., Pancioni, L., Vignoli, V., (2013). Physically unclonable functions derived from cellular neural networks. IEEE Transactions on Circuits and Systems I: Regular Papers, 60, 3205–3214.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Tehranipoor, F., Karimian, N., Yan, W., & Chandy, J. A. (2017). Investigation of dram pufs reliability under device accelerated aging effects. IEEE International Symposium on Circuits and Systems (ISCAS), 1–4.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15, 1929–1958.

Kushner, H. J., & Yin, G. G. (2003). Stochastic Approximation and Recursive Algorithms and Applications. Stochastic Modelling and Applied Probability. Springer Science & Business Media, 35.

Kingma, D. P., Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint. https://doi.org/10.48550/arXiv.1412.6980

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Proceedings of the 25th International Conference on Neural Information Processing Systems, 1, 1097–1105.

Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint. https://doi.org/10.48550/arXiv.1409.1556

Downloads


Переглядів анотації: 23

Опубліковано

2024-09-25

Як цитувати

Чура, Т., & Чура, Н. (2024). ОГЛЯД СУЧАСНИХ МЕТОДІВ АВТЕНТИФІКАЦІЇ ДЛЯ МІКРОКОНТРОЛЕРІВ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 1(25), 200–214. https://doi.org/10.28925/2663-4023.2024.25.200214