Allt eftersom mer privat data lagras och delas digitalt, forskare undersöker nya sätt att skydda data mot attacker från dåliga aktörer. Nuvarande kiselteknologi utnyttjar mikroskopiska skillnader mellan datorkomponenter för att skapa säkra nycklar, men tekniker med artificiell intelligens (AI) kan användas för att förutsäga dessa nycklar och få tillgång till data. Nu, Penn State-forskare har utformat ett sätt att göra de krypterade nycklarna svårare att knäcka.

Leds av Saptarshi Das, biträdande professor i ingenjörsvetenskap och mekanik, forskarna använde grafen - ett lager av kol en atom tjockt - för att utveckla en ny lågeffekt, skalbar, omkonfigurerbar hårdvarusäkerhetsenhet med betydande motståndskraft mot AI-attacker. De publicerade sina resultat i Naturelektronik idag (10 maj).

"Det har skett mer och mer intrång i privata uppgifter på senare tid, " sa Das. "Vi utvecklade en ny hårdvarusäkerhetsenhet som så småningom skulle kunna implementeras för att skydda dessa data över branscher och sektorer."

Enheten, kallas en fysiskt oklonbar funktion (PUF), är den första demonstrationen av en grafenbaserad PUF, enligt forskarna. Grafens fysiska och elektriska egenskaper, såväl som tillverkningsprocessen, göra den nya PUF mer energieffektiv, skalbar, och säker mot AI-attacker som utgör ett hot mot PUF:er av kisel.

Teamet tillverkade först nästan 2, 000 identiska grafentransistorer, som slår på och av ström i en krets. Trots deras strukturella likheter, transistorernas elektriska ledningsförmåga varierade på grund av den inneboende slumpmässigheten som härrör från produktionsprocessen. Även om sådan variation vanligtvis är en nackdel för elektroniska enheter, det är en önskvärd kvalitet för en PUF som inte delas av silikonbaserade enheter.

Efter att grafentransistorerna implementerades i PUF, forskarna modellerade deras egenskaper för att skapa en simulering av 64 miljoner grafenbaserade PUF. För att testa PUFs säkerhet, Das och hans team använde maskininlärning, en metod som gör att AI kan studera ett system och hitta nya mönster. Forskarna tränade AI med grafen PUF-simuleringsdata, testar för att se om AI kan använda denna utbildning för att göra förutsägelser om krypterad data och avslöja systemosäkerhet.

"Neurala nätverk är väldigt bra på att utveckla en modell från en enorm mängd data, även om människor inte kan, " sa Das. "Vi upptäckte att AI inte kunde utveckla en modell, och det var inte möjligt för krypteringsprocessen att lära sig."

Detta motstånd mot maskininlärningsattacker gör PUF säkrare eftersom potentiella hackare inte kunde använda intrång i data för att bakåtkonstruera en enhet för framtida exploatering, sa Das. Även om nyckeln kunde förutsägas, grafen PUF kan generera en ny nyckel genom en omkonfigureringsprocess som inte kräver ytterligare hårdvara eller utbyte av komponenter.

"I vanliga fall, när ett systems säkerhet har äventyrats, det är permanent äventyrat, sa Akhil Dodda, en doktorand i ingenjörsvetenskap och mekanik som bedriver forskning under Dass mentorskap. "Vi utvecklade ett schema där ett sådant komprometterat system kunde konfigureras om och användas igen, lägga till manipuleringsmotstånd som en annan säkerhetsfunktion."

Med dessa funktioner, såväl som förmågan att fungera över ett brett temperaturintervall, den grafenbaserade PUF kan användas i en mängd olika tillämpningar. Ytterligare forskning kan öppna vägar för dess användning i flexibel och utskrivbar elektronik, hushållsapparater och mer.