Evaluasi Performansi Physical Unclonable Function Berdasarkan Randomness,
Uniqueness, dan Steadiness
Rivaldo Ludovicus Sembiring1, Parman Sukarno2, Rizka Reza Pahlevi3 1,2,3Fakultas Informatika, Universitas Telkom, Bandung
1rludovicus@student.telkomuniversity.ac.id, 2psukarno@telkomuniversity.ac.id, 3rizkarezap@telkomuniversity.ac.id
Abstrak
Perkembangan teknologi informasi semakin bersentuhan dengan setiap kegiatan manusia. Sama halnya seperti perkembangan internet of things (IoT) yang dapat ditemukan di berbagai tempat. Dengan berkembangnya teknologi informasi khususnya IoT, berbagai macam serangan juga meningkat pada perangkat IoT. Perangkat IoT sangat rentan pada serangan, baik fisik dan non fisik, karena sifatnya yang
unmanned atau yang lebih dikenal dengan tidak berawak. Pada serangan non fisik, hal yang paling penting
untuk diamankan adalah data pada perangkat memori. Physical Unclonable Function (PUF)
merupakan metode pengamanan perangkat IoT yang paling kuat dan ringan sehingga dapat digunakan pada perangkat IoT tanpa awak. Keuntungan PUF dibandingkan dengan jenis kriptografi klasik pada saat ini adalah kompatibilitas pada perangkat IoT dengan sumber daya komputasi yang terbatas. Namun, sebelum PUF dapat dikatakan aman, maka PUF harus memenuhi indikator evaluasi yaitu randomness,
uniqueness, dan steadiness. PUF dapat menjadi solusi terbaik untuk mengamankan data pada perangkat
IoT karena proses enkripsi tidak meletakkan secret key pada perangkat melainkan akan dihasilkan secara acak (random).
Kata kunci : Internet of Things, Physical Unclonable Function, Randomness, Uniqueness, Steadiness,
Evaluasi PUF
Abstract
The development of information technology is increasingly in every human activity. Just like the development of the internet of things (IoT) which can be found in various places. With the development of information technology, especially IoT, various kinds of attacks have also increased on IoT devices. IoT devices are very vulnerable to attacks, both physical and non-physical, because of their unmanned nature. In non-physical attacks, the most important thing to safeguard is the data on the memory device. Physical Unclonable Function (PUF) is the strongest and lightest method of securing IoT devices so that they can be used on unmanned IoT devices. The advantage of PUF over current types of classical cryptography is compatibility on IoT devices with limited computing resources. However, before PUF can be said to be safe, it must meet the indicators of evaluation which are randomness, uniqueness, and steadiness. PUF can be the best solution for securing data on IoT devices because the encryption process does not put a secret key on the device but will be generated randomly.
Keywords: Internet of Things, Physical Unclonable Function, Randomness, Uniqueness, Steadiness, PUF
Evaluation
1. Pendahuluan Latar Belakang
Dewasa ini, perangkat elektronik berbasis IoT (Internet of Things) setiap harinya terintegrasi untuk membantu tugas manusia. Tidak sedikit tugas yang dikerjakan oleh perangkat IoT mengharuskan perangkat IoT memiliki otentikasi dan dapat diotentikasi oleh pihak ketiga secara aman. Salah satu metode pengamanan data pada perangkat IoT adalah menggunakan physical unclonable function (PUF). Penggunaan PUF sangat dibutuhkan karena secret key tidak perlu disimpan pada perangkat IoT.
Salah satu praktik penyimpanan data perangkat IoT khususnya dengan FPGA adalah disimpan dalam
electric file dan kemudian diunduh ke perangkat ketika ingin dikonfigurasi atau dikonfigurasi ulang [1]. Sama
seperti permasalahan perangkat elektronik yang terhubung ke internet dapat terkena virus atau pembajakan, maka data konfigurasi harus dilindungi dari penyadapan dan gangguan ilegal lainnya. Walau beberapa perangkat FPGA memiliki AES/TDES sebagai bitstream decryption dan HMAC sebagai bitstream authentication, namun masih banyak perangkat FPGA yang tidak memiliki sistem enkripsi sendiri [1]. Selain itu, sekalipun sebuah sistem FPGA memiliki sistem enkripsi sendiri, inti sistem kriptografi sengaja dinonaktifkan saat fitur konfigurasi ulang parsial dinamis digunakan [1]. Selanjutnya, di beberapa perangkat secret key disimpan di dalam memori volatile dengan baterai, dimana hal ini sangat tidak efektif apabila digunakan dalam jangka panjang dan juga
memakan banyak ruang. Metode lain untuk menyimpan secret key adalah dengan memori non-volatile yang bagaimanapun dapat menimbulkan kebocoran informasi [2].
Mengingat situasi diatas, Physical Unclonable Functions (PUFs) dapat menjadi solusi pada permasalahan keamanan (security) pada perangkat yang dapat dikonfigurasi ulang (reconfigurable device). Pada studi sebelumnya dilaporkan bahwa PUF sangat berguna dalam proses otentikasi dan perlindungan IP [3], [4]. Walaupun data perangkat dapat disadap, penyerang tidak dapat memeroleh informasi rahasia dalam perangkat karena PUF menghasilkan key secara dinamis. Namun, sebelum secret key dapat digunakan oleh perangkat IoT khususnya FPGA maka diperlukan mekanisme khusus untuk mengevaluasi response dari chip PUF. Sejauh ini sudah ada metode evaluasi khusus untuk optical PUF [5] dan coating PUF [6]. Evaluasi response dari chip PUF dapat menggunakan indikator randomness, uniqueness, dan steadiness sehingga didapatkan PUF dengan performansi terbaik.
Topik dan Batasan
Berdasarkan latar belakang diatas, penelitian ini mengevaluasi kinerja physical unclonable function dengan indikator uniqueness, randomness, dan steadiness sehingga didapatkan PUF dengan performansi terbaik. Agar penelitian ini lebih fokus dan mendalam, kami memandang permasalahan penelitian yang diangkat perlu dibatasi:
1. Dataset diperoleh dari SoC Altera Cyclone IV dan V (salah satu jenis chip FPGA). 2. Parameter-parameter pengujian adalah uniqueness, randomness, dan steadiness. Tujuan
Penelitian ini bertujuan mengevaluasi response dari physical unclonable function pada perangkat FPGA dengan indikator uniqueness, randomness, dan steadiness sehingga dapat mengukur performansi keamanan PUF.
Organisasi Tulisan
Penelitian ini disusun dengan struktur sebagai berikut: Pada bagian awal dijelaskan pendahuluan, selanjutnya pada bagian kedua dijelaskan studi terkait. Kemudian, dijelaskan pemodelan sistem pada bagian ketiga. Pada bagian keempat, dijelaskan mengenai evaluasi performansi pemodelan sistem yang telah dibangun. Dan bagian akhir dijelaskan kesimpulan serta saran untuk penelitian selanjutnya.
2. Studi Terkait
Beberapa penelitian terkait pengamanan data pada perangkat IoT menggunakan metode Physical
Unclonable Function: Armin Babaei dan Gregor Schiele menuliskan bahwa setiap chip pada perangkat IoT telah
memiliki sidik jari yang dibentuk semenjak proses pembuatan pada pabrik dan bersifat unik [7]. Karakteristik unik ini dapat diekstrak dan kemudian disisipi arsitektur sirkuit yang lebih spesifik disebut dengan PUF circuit. Ketika sirkuit PUF diimplementasikan, sirkuit PUF menerima bit secara berurutan seperti masukannya dan kemudian menghasilkan urutan bit sebagai keluarannya. Armin Babaei dan Gregor Schiele kemudian menjelaskan bahwa ada 2 jenis PUF, PUF lemah dan kuat [7]. Untuk PUF kuat, dengan meningkatkan ukuran sirkuit PUF maka akan meningkatkan angka kombinasi dari challenge dan response yang diberikan atau disebut dengan CRP (Challenge
Response Pair), secara eksponensial. Sementara PUF lemah akan meningkat secara linear.
Charles Herder, Meng-Day (Mandel) Yu, dan kawan-kawan menyarankan menggunakan Physical
Unclonable Functions sebagai teknologi paling mutakhir saat ini untuk mengamankan perangkat IoT [8]. Hal ini
dinilai lebih aman dan praktis daripada meletakkan secret key di memori non-volatile seperti EEPROM dan SRAM. Charles Herder dkk juga menyatakan dua tujuan pengaplikasian PUF adalah untuk otentikasi berbiaya rendah (low-cost authentication) serta menghasilkan (generate) secret key yang lebih aman [8]. Salah satu impelementasi PUF dalam dunia nyata adalah mengamankan data menggunakan 2 faktor otentikasi pada perangkat IoT [9].
Dalam tulisannya yang berjudul “Physical Unclonable Functions in Theory and Practice”, Christoph Bohm dan Maximilian Hofer menggunakan PUF untuk mengurangi masalah indentifikasi dan keamanan data karena fungsi-fungsi pada PUF menggunakan variabilitas produksi untuk menghasilkan data seperti sidik jari [2]. Christoph Bohm dan Maximilian Hofer juga menuliskan, dengan PUF, chip dapat diidentifikasi, diotentikasi, dan digunakan sebagai key generator untuk kepentingan kriptografi.
Berdasarkan kajian dari beberapa penelitian terkait sebelumnya, dapat disimpulkan bahwa penerapan pengamanan data pada perangkat IoT dapat dilakukan dengan cara yang lebih efisien dan murah dengan Physical
Unclonable Function tanpa perlu tambahan perangkat lainnya.
2.1 Physical Unclonable Function
Secara umum, Physical Unclonable Function (PUF) merupakan entitas yang menggunakan hasil variabilitasnya untuk menghasilkan keluaran (output) spesifik yang biasanya berupa angka biner [2]. Untuk mendapatkan hasil keluaran yang sesuai, PUF akan menerima urutan bit (sebagai challenge) yang merupakan masukan (input) dan kemudian menghasilkan urutan-urutan bit (yang disebut response) sebagai keluarannya [2]. Untuk itu PUF dapat dikatakan perangkat yang menerima challenge sebagai masukan dan response sebagai keluaran [10]. Selain itu, untuk response berbasis PUF harus dipastikan tidak dapat diprediksi oleh pihak yang tidak berkepentingan, termasuk dengan cara membandingkan tantangan baru dari pasangan
challenge-response yang telah diamati sebelumnya [11]. Penggunaan PUF lebih baik dari
segi keamanan dan lebih murah daripada meletakkan secret key pada EEPROM sebuah perangkat IoT [2]. 2.2 Dataset
Dataset yang dihasilkan oleh SoC Altera Cyclone IV dan V dengan challenge (masukan) yang
sama dan response (keluaran) yang berbeda. Data yang digunakan berdasarkan dari 2 chip berbeda. Masing-masing chip menghasilkan 500 response berbeda sehingga jika ditotal keseluruhan data berjumlah 1.000 response. Keluaran yang dihasilkan SoC Altera Cyclone IV dan V berbentuk heksadesimal dengan panjang 32 bit dan terpisah antara dataset chip A dan chip B. Dataset yang akan digunakan hanya responses berbentuk heksadesimal yang kemudian akan dikonversikan ke dalam bentuk biner dengan panjang 128 bit. Oleh sebab itu, dataset harus melalui tahapan preprocessing sebelum dapat digunakan agar menghasilkan keluaran yang lebih optimal.
2.3 Evaluasi Performansi PUF
Untuk melakukan evaluasi kinerja PUF, ada banyak parameter pengukuran yang digunakan para peneliti seperti Hori dkk [1] menggunakan parameter randomness, steadiness, correctness, diffuseness, dan uniqueness, Maiti dkk [12] menggunakan parameter uniformity, steadiness, diffuseness bit-aliasing,
uniqueness, probability of misidentification, dan reliability, serta Su dkk [13] menggunakan
menggunakan 3 indikator kinerja: Randomness, Steadiness, dan Uniqueness. Dua indikator pertama adalah kinerja intra-chip dan uniqueness adalah kinerja inter-chip [1].
Penggunaan randomness pada pengujian ini karena menggunakan sampel bit dari response yang dihasilkan [1], sementara parameter uniformity yang diusulkan oleh Maiti dkk tidak menyertakan sampel bit dari response [12]. Selanjutnya, penelitian oleh Hori dkk, Maiti dkk, dan kami menggunakan rata-rata
hamming distance yang berkaitan dengan parameter uniqueness, sementara pada penelitian ini tidak
digunakan parameter diffuseness karena parameter ini akan sangat berguna apabila digunakan untuk PUF dengan CRP yang sangat besar [12]. Dalam penelitian Maiti dkk serta penelitian kami juga menyertakan parameter steadiness.
2.4 Uniqueness
Salah satu parameter yang harus ada untuk mengamankan sistem digital adalah uniqueness.
Uniqueness mengindikasikan perbedaan hasil pada dua perangkat PUF berbeda walau dengan challenge
yang sama [1]. Uniqueness juga merepersentatifkan kemampuan PUF untuk membedakan chip tertentu diantara kelompok chip yang sama sehingga uniqueness merupakan indikator evaluasi untuk inter-chip [1]. Dalam penelitian Hori dkk [1] dan Maiti dkk [12] menggunakan konsep inter-chip hamming distance untuk mengetahui tingkat keunikan antar satu respon dengan respon yang lain. PUF dapat menghasilkan keluaran response yang berbeda-beda (unique) dari challenge yang sama untuk setiap chip [11] [14]. Sehingga, ketika ada penyerangan yang berusaha menganalisis PUF, penyerang tidak dapat menganalisis variasi proses karena struktur PUF yang identik serta unik [15].
2.5 Randomness
Ketidakberaturan atau keserampangan atau randomness merupakan properti PUF sehingga tidak dapat diprediksi [16]. Hasil randomness pada perangkat yang menggunakan PUF idealnya mengeluarkan jumlah 0 dan 1 secara seimbang dan randomness menunjukkan evaluasi dari intra-chip [1].
2.6 Steadiness
Steadiness mengindikasikan seberapa stabil PUF mengeluarkan response yang sama untuk set
tantangan (challenge) yang sama [1]. Dalam arti lain, perangkat PUF harus mampu menunjukkan kemampuan dalam memproduksi response yang sama dalam kondisi lingkungan yang sama [17]. Idealnya, nilai steadiness adalah 0% [18].
3. Metode Evaluasi Performansi Physical Unclonable Function 3.1 Preprocessing
Preprocessing dilakukan sebelum data dari PUF diolah agar menghasilkan keluaran yang lebih
akurat. Data yang dihasilkan tidak dapat langsung diolah karena ada atribut yang tidak digunakan seperti atribut challenge. Karena challenge yang diberikan kepada chip A dan chip B sama, maka atribut challenge tidak diproses. Data yang dihasilkan, sebelum dilakukan preprocessing, memiliki format xlsx dan berisi bilangan heksadesimal. Dataset diperoleh dari pemrosesan dengan perangkat
SoC Altera Cyclone IV dan V.
Proses data cleansing dengan memindahkan hasil response ke file dengan format txt. Hasil dari data cleansing akan digunakan untuk memgevaluasi hasil dari challenge yang diberikan.
3.2 Proses Evaluasi
Proses evaluasi pada perangkat PUF menggunakan parameter uniqueness, randomness, dan
steadiness. Proses awal yang dilakukan adalah mengonversi data dari SoC Altera Cyclone IV dan V
yang berbentuk heksadesimal menjadi biner.
Algorithm 1 Hexadecimal to Binary
1:
Input: Command input file.txt
2:
Output: Hasil Biner
3:
Inisialisasi data, scale, number_of_bit
4:
Inisialisasi file_keluaran
5:
For each data
command input
scale
8
number_of_bit
8
print(“file_keluaran”)
6:
Endfor
Setelah mendapatkan hasil biner dari setiap chip, selanjutnya ditentukan hamming
distance antara 2 chip dan hamming distance dalam 1 chip yang sama.
Algorithm 2 Hamming Distance Intra-Chip
1:
Input: Command input file.txt
2:
Output: Hasil Hamming Distance
3:
Inisialisasi jarak, L, i, temp_data
4:
Function hamming_distance(string1, string2)
jarak 0
L string1.length
For i L-1
if string1[i] != string2[i]
jarak += 1
endif endfor Endfunction 5:temp_data list_data.length
6: print(temp_data)7: For data, index enumerate(list_data) If data < temp_data+1)
For i temp_data – data If inloop < temp_data – 1
jarak hamming_distance(index, list_data[i+data]) jarak str(jarak)
endfor endif endfor
Proses pencarian hamming distance dalam chip yang berbeda bertujuan untuk
memastikan setiap keluaran dari challenge yang sama memiliki hasil yang berbeda (unique). Hal
ini berkaitan dengan salah satu parameter pengujian yaitu uniqueness. Proses selanjutnya adalah
menentukan hamming distance antara 2 chip berbeda.
Algorithm 3 Hamming Distance Inter-Chip
1:
Input: Command input file.txt
2:
Output: Hasil Hamming Distance
3:
Inisialisasi jarak, inloop, i, temp_data
4:
Function hamming_distance(str1, str2)
i0
jarak 0
While 1 < str1.length – 1
If str1[i] != str2[i]
jarak += 1
endif
i += 1
endwhile
Endfunction 5:temp_data list_data.length
6: temp_data2 list_data2.length 7: print(temp_data) 8: inloop 07: For data, index enumerate(list_data) If data < temp_data+1)
For data2, index enumerate(list_data2) For data3 temp_data – data2
jarak hamming_distance(index, list_data2[data3+data2]) jarak str(jarak)
endfor endfor endif endfor
Proses pencarian hamming distance antara 2 chip berbeda bertujuan untuk melihat
response yang diberikan dari challenge yang sama. Setiap nilai hamming distance yang
didapatkan menentukan uniqueness dari responses yang diberikan. Kemudian dari setiap chip
akan dilihat perbandingan kemunculan bit 0 dan 1.
Algorithm 4 Hamming Weight
1:
Input: Command input file.txt
2:
Output: Hasil Hamming Weight
3:
Inisialisasi binsatu,binnol,ratasatu,ratanol
4:fh openRead(file.txt)
5:fh2 openWrite(Hasil_HammingW.txt)
4:binsatu 0
5:binnol 0
6:ratasatu 0.00
7:ratanol 0.00
For i 0 to data.length to 1 if data[i] == '1' binsatu = binsatu + 1 elseif data[i] == '0' binnol = binnol + 1 endif endfor binsatu str(binsatu) fh2.write(binsatu) binnol str(binnol) fh2.write(binnol) binsatu float(binsatu) binnol float(binnol) binsatu (binsatu/128.00)*100 binnol (binnol/128.00)*100 ratasatu ratasatu + binsatu ratanol ratanol + binnol binsatu 0
binnol 0 endfor
9: print ("%8.2f, %82.f" % (ratanol/100.00, ratasatu/100.00))
Apabila bit 0 dan 1 yang dihasilkan seimbang, nilai randomness akan semakin baik
[1]. Dari hasil pemrosesan hamming weight pada algorithm 4, akan terlihat banyaknya bit 0
dan 1 setiap baris data serta persentase kemunculan bit 0 dan 1.
4. Evaluasi
4.1 Analisis Hasil Pengujian
Setelah semua rancangan selesai disusun dan sistem telah dibangun, maka tahap selanjutnya adalah menggunakan sistem tersebut untuk menentukan randomness, uniqueness, dan steadiness dari data yang tersedia.
Hal pertama yang dilakukan adalah data cleansing dan mengubah data menjadi bilangan biner. Kemudian dilakukan perbandingan persebaran keluaran bit 0 dan 1 pada chip A untuk melihat
randomness dari response yang didapatkan. Persebaran bit 0 dan 1 pada chip A dapat dilihat pada gambar
1.
Selanjutnya dilakukan perbandingan persebaran bit 0 dan 1 pada chip B. Perbandingan persebaran dapat dilihat pada gambar 2.
Rata-rata persebaran bit 0 dan 1 pada chip A dan chip B dapat dilihat pada tabel 1.
Tabel 1. Rata-Rata Persebaran Bit 0 dan 1 pada Chip A dan B
BIT CHIP
A B
0 272,63 (54,53%) 129,41 (25,88%)
1 227 (45,4%) 371 (74,2%)
Perangkat PUF idealnya mengeluarkan bit 0 dan 1 dalam probabilitas yang sama [1]. Pada percobaan ini didapatkan hanya chip A yang memiliki probabilitas persebaran 0 dan 1 yang paling mendekati jika dibandingkan dengan chip B. Hal ini dipengaruhi oleh perbedaan versi chip yang digunakan. Chip A menggunakan Cyclone V yang memiliki arsitektur lebih modern sementara chip B menggunakan Cyclone IV. Perbedaan versi chip yang digunakan berdampak pada perbedaan delay gate yang terjadi pada chip A dan chip B. Walau kedua chip telah diatur dengan kecepatan yang sama, karena perbedaan manufaktur diantara kedua chip, maka memengaruhi kecepatan clock pada masing-masing chip. Perbedaan kecepatan clock ini turut memengaruhi waktu delay pada setiap gate. Hal ini dapat dilihat pada tabel 1 bahwa hasil persebaran bit 0 dan 1 pada chip A mendekati seimbang sementara pada chip B perbandingannya sangat jauh.
Parameter pengujian selanjutnya yang digunakan untuk mengevaluasi keluaran perangkat PUF adalah uniqueness. Ketika challenge yang sama diberikan kepada perangkat yang berbeda, hasil yang dikeluarkan pun diharapkan berbeda (unique). Nilai uniqueness didapat dari proses hamming distance dalam chip yang berbeda (inter-chip). Pada gambar 3 dapat dilihat grafik intra-hamming distance untuk chip A.
Gambar 3. Grafik Uniqueness Chip A
Jika dilihat pada gambar 3, nilai hamming distance paling banyak yaitu 13 dengan frekuensi mencapai 14.000 dan nilai rata-rata 13 𝑥 100% = 10,16%. Hal ini mengindikasikan responses yang diberikan
128 𝑏��𝑡
perangkat terhadap challenge yang sama pada chip A berbeda-beda (unique) dan hal ini sesuai dengan parameter pengujian berdasarkan uniqueness yaitu keluaran dari setiap perangkat diharapkan berbeda.
Berdasarkan hasil perhitungan hamming distance, didapatkan juga nilai steadiness yaitu 100% - 10,16% = 89.84%.
Gambar 4. Grafik Uniqueness Chip B
Frekuensi perbedaan yang ada di dalam chip B juga sudah beragam (unique) dengan nilai rata-rata
hamming distance 11 × 100% = 8,59%. Hal ini mengindikasikan responses yang diberikan 128 𝑏��𝑡
perangkat terhadap challenge yang sama pada chip B sesuai dengan parameter pengujian berdasarkan
uniqueness, yaitu keluaran dari setiap perangkat diharapkan berbeda.
Berdasarkan hasil perhitungan hamming distance, didapatkan juga nilai steadiness yaitu 100% - 8,59% = 91,41%.
Parameter pengujian uniqueness selanjutnya dilakukan antara chip A dan chip B. Hal ini dapat dilihat pada grafik gambar 5.
Gambar 5. Grafik Uniqueness Inter-Chip
Perbandingan antara chip A dan chip B dilakukan untuk mengevaluasi perbedaan keluaran yang dihasilkan kedua chip terhadap challenge yang sama. Berdasarkan visualisasi data pada gambar 5, nilai
hamming distance yang dimulai dari 65 hingga 100 mengindikasikan perbedaan response yang cukup
signifikan antara chip A dan chip B. Serta didapatkan rata-rata hamming distance 89 128 𝑏��𝑡 × 100% = 69,53%. Karena perbedaan keluaran melebihi 50% dari total keseluruhan data, maka parameter pengujian berdasarkan inter-uniqueness pada chip A dan chip B terpenuhi.
5. Kesimpulan
Dalam penelitian ini, kami mengusulkan penggunaan parameter randomness, uniqueness, dan
steadiness untuk mengevaluasi perfomansi dari PUF. Hasil eksperimen menunjukkan bahwa indikator
pengujian efektif merefleksikan karakteristik PUF. Hal ini dibuktikan dengan perbandingan bit 0 dan 1 untuk membuktikan randomness pada chip A yaitu 54,43:45,4 dan pada chip B yaitu 25,88:74,2. Kemudian untuk parameter uniqueness pada chip A adalah 13 dengan rata-rata hamming distance 10,16% dan nilai
steadiness 89,84%, pada chip B adalah 11 dengan rata-rata hamming distance 8,59% dan nilai steadiness
91,41%, dan nilai inter-chip dengan tingkat uniqueness 69,53%.
Berdasarkan penelitian ini, dapat ditarik kesimpulan bahwa manufaktur penyusun Cyclone V lebih baik dalam menghasilkan response yang dapat digunakan untuk mengamankan perangkat IoT berbasis PUF karena lebih memenuhi parameter randomness, uniqueness, dan steadiness dibandingkan dengan Cyclone IV. Selanjutnya pada penelitian ke depan akan dilakukan implementasi pada perangkat IoT yang membutuhkan pengamanan dengan metode PUF.
Referensi
[1] Y. Hori, T. Yoshida and A. Satoh, "Quantitative and Statistical Performance Evaluation of Arbiter Physical Unclonable Functions on FPGAs," in 2010 International Conference on Reconfigurable Computing, Quintana Roo, 2010.
[2] C. Bohm dan M. Hofer, Physical Unclonable Functions in Theory and Practice, London: Springer, 2013. [3] D. Lim, J. W. Lee, B. Gassend, G. E. Suh, M. v. Dijk and S. Devadas, "Extracting secret keys from
integrated circuits," IEEE Transactions on Very Large Scale Integration (VLSI) Systems, vol. 13, pp. 1200- 1205, 2005.
[4] J. Guajardo, S. S. Kumar, G.-J. Schrijen and P. Tuyls, "FPGA Intrinsic PUFs and Their Use for IP Protection," Cryptographic Hardware and Embedded Systems, vol. 4727, pp. 63-80, 2007.
[5] P. Tuyls, B. Skoric, S. Stallinga, A. Akkermans and W. Ophey, "Information-theoretic security analysis of physical uncloneable functions," Financial Cryptography and Data Security,, pp. 141-155, 2005.
[6] B. Skoric, S. Maubach and T. Kevenaar, "Information-theoretic analysis of capacitive physical unclonable functions," J. Appl. Phys, vol. 200, 2006.
[7] A. Babaei dan G. Schiele, “Physical Unclonable Functions in the Internet of Things: State of the Art and Open Challenges,” dalam Molecular Diversity Preservation International and Multidisciplinary Digital
Publishing Institute, Duishburg, 2019.
[8] C. Herder, M.-D. Yu, F. Koushanfar and S. Devadas, "Physical Unclonable Functions and Applications: A Tutorial," in IEEE, Massachusetts, 2014.
[9] D. Choi, S.-H. Seo, Y.-S. Oh and Y. Kang, "Two-Factor Fuzzy Commitment for Unmanned IoT Devices Security," IEEE Internet of Things Journal, vol. 6, no. 1, pp. 335-348, 2019.
[10] U. Ruhrmair and M. v. Dijk, "PUFs in Security Protocols: Attack Models and Security Evaluations," 2013
IEEE Symposium on Security and Privacy, pp. 286-300, 2013.
[11] B. Gassend, D. v. D. M. Lim and S. Devadas, "Identification and authentication of integrated circuits,"
Concurrency and Computation: Practice and Experience, vol. XVI, p. 1077–1098, 2004.
[12] A. Maiti, V. Gunreddy and P. Schaumont, "A Systematic Method to Evaluate and Compare the
Performance of Physical Unclonable Function," Embedded Systems Design with FPGAs, pp. 245-267, 2013. [13] Y. Su, J. Holleman and B. P. Otis, "A digital 1.6 pj/bit chip identification circuit using process variations,"
IEEE Journal of Solid-State Circuits, vol. 43, pp. 69-77, 2008.
[14] B. Gassend, D. Clarke, M. van Dijk and S. Devadas, "Silicon physical random functions," ACM Conference
on Computer and Communications Security, pp. 148-160, 2002.
[15] D. Yamamoto, M. Takenaka, K. Sakiyama and N. Torii, "Security Evaluation of Bistable Ring PUFs on FPGAs using Differential and Linear Analysis," 2014 Federated Conference on Computer Science and
Information Systems, vol. 2, pp. 911-918, 2014.
[16] J.-L. Danger, S. Guilley, P. Nguyen and O. Rioul, "PUFs: Standardization and Evaluation," in IEEE, Milan, 2016.
[17] Z. C. Jouini, J.-L. Danger and L. Bossuet, "Performance evaluation of Physically Unclonable Function by delay statistics," in 2011 IEEE 9th International New Circuits and systems conference, Bordeaux, 2011. [18] T. Machida, D. Yamamoto, M. Iwamoto and K. Sakiyama, "A New Arbiter PUF for Enhancing
Unpredictability on FPGA," The Scientific World Journal, vol. 2015, p. 13, 2015.
