Physical unclonable function (PUF) is an emerging hardware security primitive which is increasingly used to authenticate and identify Internet of Things (IoT) devices. Spin-transfer torque magnetoresistive random access memory (STT-MRAM) provides new opportunities for novel PUFs due to inherent randomness sources, such as process variations, stochastic switching, and chaotic magnetization. In this article, we propose a hybrid STT-MRAM/complementary metal-oxide semiconductor (CMOS)-based reconfigurable arbiter PUF (MPUF) with enhanced performance metrics in terms of reliability, uniqueness, and uniformity. This design has a mean intra-hamming distance (HD) of 0.147%, a mean inter-HD of 50.21%, and passes the National Institute of Standards and Technology (NIST) statistical tests. The proposed arbiter MPUF features distinct advantages, such as reconfigurable architecture, challenge-dependent stage delays, and huge challenge-response pair (CRP) space. Moreover, the robustness of the proposed MPUF against machine learning (ML)-based modeling attacks is tested using three ML algorithms, namely support vector machine (SVM), linear regression (LR), and multilayer perceptron (MLP). Results show that the proposed reconfigurable arbiter MPUF is resistant to ML attacks and minimizes the ML attack prediction accuracy to less than 65.12% without XOR and less than 44.34% with XOR. Meanwhile, the correlation power analysis demonstrates that the proposed MPUF is also resilient to side-channel attacks.

中文翻译：

---

一种具有高抗机器学习攻击能力的可重构仲裁器 MPUF

物理不可克隆功能 (PUF) 是一种新兴的硬件安全原语，越来越多地用于验证和识别物联网 (IoT) 设备。自旋转移矩磁阻随机存取存储器 (STT-MRAM) 由于固有的随机性来源，例如工艺变化、随机切换和混沌磁化，为新型 PUF 提供了新的机会。在本文中，我们提出了一种基于混合 STT-MRAM/互补金属氧化物半导体 (CMOS) 的可重构仲裁器 PUF (MPUF)，在可靠性、独特性和均匀性方面具有增强的性能指标。该设计的平均内部汉明距离 (HD) 为 0.147%，平均内部 HD 为 50.21%，并通过了美国国家标准与技术研究院 (NIST) 的统计测试。提出的仲裁器 MPUF 具有明显的优势，例如可重构架构、与挑战相关的阶段延迟和巨大的挑战-响应对 (CRP) 空间。此外，所提出的 MPUF 针对基于机器学习 (ML) 的建模攻击的鲁棒性使用三种 ML 算法进行测试，即支持向量机 (SVM)、线性回归 (LR) 和多层感知器 (MLP)。结果表明，所提出的可重构仲裁器 MPUF 能够抵抗 ML 攻击，并且在没有 XOR 的情况下将 ML 攻击预测精度最小化到小于 65.12%，在 XOR 下最小化小于 44.34%。同时，相关功率分析表明，所提出的 MPUF 还具有抵御侧信道攻击的能力。使用三种 ML 算法，即支持向量机 (SVM)、线性回归 (LR) 和多层感知器 (MLP)，测试了所提出的 MPUF 针对基于机器学习 (ML) 的建模攻击的鲁棒性。结果表明，所提出的可重构仲裁器 MPUF 能够抵抗 ML 攻击，并且在没有 XOR 的情况下将 ML 攻击预测精度最小化到小于 65.12%，在 XOR 下最小化小于 44.34%。同时，相关功率分析表明，所提出的 MPUF 还具有抵御侧信道攻击的能力。使用三种 ML 算法，即支持向量机 (SVM)、线性回归 (LR) 和多层感知器 (MLP)，测试了所提出的 MPUF 针对基于机器学习 (ML) 的建模攻击的鲁棒性。结果表明，所提出的可重构仲裁器 MPUF 能够抵抗 ML 攻击，并且在没有 XOR 的情况下将 ML 攻击预测精度最小化到小于 65.12%，在 XOR 下最小化小于 44.34%。同时，相关功率分析表明，所提出的 MPUF 还具有抵御侧信道攻击的能力。34% 使用 XOR。同时，相关功率分析表明，所提出的 MPUF 还具有抵御侧信道攻击的能力。34% 使用 XOR。同时，相关功率分析表明，所提出的 MPUF 还具有抵御侧信道攻击的能力。