基於機器學習的物理不可轉殖函式（puf）建模攻擊2.2、puf
物理不可轉殖函式（physical unclonable function，puf）是一種新的輕量級硬體安全原語。當輸入乙個激勵時，puf利用晶元製造過程中難以**的工藝偏差（process variation），輸出依賴於晶元的不可轉殖的響應，非常適合資源受限環境下的裝置認證。然而，攻擊者可以收集一定數量的激勵響應對將puf進行建模，因此，puf易受基於機器學習建模攻擊。下圖是一種典型的puf——arbiter puf，其中共同組成激勵，r為響應。其原理是：乙個脈衝訊號t會在arbiter puf上下兩條路徑同時傳播，通過激勵改變路徑（如c1=1時，在m1階段交叉傳播；c1=0時，在m1階段平行傳播），由於工藝偏差會影響不同路徑的傳播快慢，最終導致上下兩條路徑訊號傳播產生快慢差異，比較傳播快慢生成激勵響應r（0或1）
2.3、建模攻擊線性回歸和邏輯回歸是入門級的機器學習演算法，本實驗需自行掌握這兩個演算法，另外如支援向量機（svm），人工神經網路（ann），卷積神經網路（cnn），協方差矩陣自適應進化策略（cmas-es）需根據分組情況學習其一，最後使用邏輯回歸以及分得的四種演算法（svm,ann,cnn,cma-es）其一對arbiter puf進行建模攻擊，本實驗只需對**的arbiter puf進行建模即可。這次實驗我沒用tensorflow包，用pytorch在我們的**實驗中，建模主要分為三個步驟：
在**的arbiter puf上獲取一定量的激勵響應對作為訓練資料，再獲取一定量的激勵響應對（要求10000對，不能與訓練資料的激勵相應對相同）作為測試資料。
使用訓練資料的激勵響應對構建攻擊模型。
使用測試資料的激勵響應對測試攻擊模型的準確率。（實驗要求準確率達到98%以上，並報告使用了多少對訓練資料到達該效果）
作業系統：windows
程式語言：python並安裝tensorflow包
本實驗給出乙個csv檔案「**arbiter_puf.csv」，可用excel開啟，實驗中可用python讀入。
實驗步驟：
安裝python以及tensorflow 包；
使用csv_file = csv.reader(open('**arbiter_puf.csv','r'))讀入資料；
編寫程式獲取訓練資料與測試資料，並儲存為檔案形式；
讀入訓練資料以及測試資料，使用tensorflow對機器學習模型進行訓練；
不斷擴大訓練資料集，使得訓練的模型達到準確率要求
我覺得最重要的兩個問題是對puf工作原理的研究，還有如何建模。搞清楚這兩個問題後面搭建神經網路會方便很多。
舉如下例子:
如圖，這是乙個簡單 4 階 arbiter puf 對應激勵(1011)的路徑圖，我們產生一位響應，只需要比較藍紅兩條路徑的訊號傳播快慢就行了。我們設邏輯回歸的引數為，如果以(1011)作為輸入，得到的結果為 w0+w1+w3+w4顯然沒有任何意義。 這時就需要變通了，我們需要在輸入或者設引數上做點手腳來遵循 arbiter-puf 的工作原理。這裡對 arbiter puf 的所有延遲段進行設引數。圖中的(w11,w12,w13,w14)對應之前圖中的(p,s,t,q)，這時我們產生響應相當於比較(w12+w24+w33+w42)和(w13+w21+w32+w43)的大小。即判斷以下兩個矩陣對應位置相乘後求和的正負。
可見激勵(1011)和矩陣 c 是一一對應的，我們只需要對激勵進行擴充套件就能完成建模。注意這裡的矩陣相乘不是線性代數中的矩陣相乘，而是對應位置的數相乘。其實只要把矩陣做一下轉置就可以對應線性代數中的矩陣相乘了。最終，我們把c矩陣程式設計乙個1*256的矩陣，即把每行拼接起來，在程式設計進行計算做最後的一位01輸出，我們的資料集收集方式就得以實現了。理解了以上部分再去做還是一籌莫展的。還需要分析一下如何建模。這時候要考慮輸入是什麼，輸出是什麼：向上邊的c矩陣，乙個4行64列的矩陣能確定輸出r是0還是1，因為引數矩陣資料是給定的，不會變化了。
也就是說特徵值是4*64=256，256個輸入才會確定乙個輸出。
我們通過給定的**arbiter_puf.csv檔案來創造非常多組資料，生成很多像c一樣的矩陣，同時生成對應的輸出值y，也就是生成很多的激勵響應對。對生成的矩陣，一部分組成訓練集，一部分組成測試集；對生成的結果，一部份組成訓練標籤，一部分生成測試標籤。
考慮線性回歸和邏輯回歸的區別，這個問題因為輸出值要麼是0，要麼是1，屬於二分類問題。
使用訓練資料的激勵響應對構建攻擊模型。
使用測試資料的激勵響應對測試攻擊模型的準確率。
要做成這件事情需要去學很多知識：線性回歸和邏輯回歸的區別：1 2 3對csv檔案的處理;1
機器學習4
題外話，今天導師給我安排了乙個師兄帶我，是做推理方面的，自然語言處理領域太廣，也不知道推理具體做什麼的，哈哈，努力吧 機器學習第5章走起。如果h是無限大的怎麼辦呢？h的大小我們用m表示。small m 當m小的時候，p bad 2m.自然可以說p bad 相對較小，但是當m很小的時候，也說明h的個數...
機器學習 4
現在你進入了兩難的境地。乙個是來自使用者的小的資料集，它是一種分布，而另乙個是大得多的資料集，來自另乙個分布，的外觀和你真正想要處理的並不一樣。那麼你該怎麼做呢？這裡有一種選擇，你可以將兩種資料組合在一起，這樣你就有了21萬張，然後將這21萬張隨機分配到訓練 開發和測試集中。這麼做有一些好處，你的訓...
機器學習 4
十三 svm 線性可分svm原理 十四 svm 直觀理解拉格朗日乘子法 十五 svm對偶學習 十六 線性svm 間隔由硬到軟 十七 非線性svm和核函式 十八 svr 一種寬容的回歸模型 十九 直觀認識svm和svr 二十 hmm 定義和假設 二十一 hmm 三個基本問題 概率計算問題 問題 學習問...