Technische Universität Darmstadt

Student Assistant - Attacking Simulated PUFs with Machine Learning

Online seit
16.04.2018 - 14:03
Job-ID
DA-2018-04-16-178035
Jobtyp
Studentische Hilfskräfte

Beschreibung

Background

Machine learning has been proven to be a powerful tool for data analysis that allows to model even complex processes. In the context of security, machine learning techniques have been used for various applications like intrusion detection in networks or malware detection in operating systems. Furthermore, machine learning have also been used to attack systems. Researchers showed that machine learning algorithms can be used to learn the model of so-called Physical Unclonable Function (PUF) which are used to uniquely identify devices in which they are embedded. As their name implies PUFs were built with the goal of being unclonable and not emulatable. Machine Learning showed that current PUF architectures do not reach that goal yet. New PUF architectures promise a better protection against the described modeling attacks. However, their resistance has not thoroughly been tested in research yet.

Hintergrund

Maschinelles Lernen hat sich als ein mächtiges Werkzeug zur Datenanalyse erwiesen welches es ermöglicht, auch komplexe Prozesse zu modellieren. Im IT-Sicherheit Kontext wurden Methoden aus dem maschinellen Lernen bereits in einer Vielzahl von unterschiedlichen Anwendungen eingesetzt, so z.B. zur Erkennung von Angreifern in Netzwerken oder Schadsoftware in Betriebssystemen. Zudem wurde maschinelles Lernen eingesetzt, um Systeme anzugreifen. Forscher haben gezeigt, dass Algorithmen des maschinellen Lernens genutzt werden können, um Modelle von sogenannten Physical Unclonable Function (PUF) zu lernen. Diese werden eingesetzt um Geräte, ich welche sie eingebettet werden, eindeutig zu identifizieren. Wie ihr Name verrät wurden PUFs mit dem Ziel konstruiert, nicht klonbar oder emulierbar zu sein. Maschinelles Lernen hat gezeigt, das heutige PUF Architekturen dieses Ziel noch nicht erreichen. Neue PUF Architekturen versprechen einen besseren Schutz gegen die beschriebenen Modellierungsangriffe. Ihre Widerstandskraft wurde jedoch in der Forschung noch nicht ausreichend untersucht.

 

 

 

Anforderungsprofil

Requirements

·         Basic background and interest in machine learning

·         Familiar with programming in Python / C++

·         Willing to explore and use Google TensorFlow

Anforderungen

·         Grundwissen und Interesse am maschinellen Lernen

·         Programmiererfahrung in Python / C++

·        Bereitschaft zur Einarbeitung und Verwendung von   Google Tensorflow

Art der Beschäftigung

450-Euro-Basis (geringfügige Beschäftigung)

Vergütung

Die Bezahlung beträgt 10,00 Euro bzw. 11,75 Euro/Std. bei entsprechender Qualifikation.

Kontaktdaten

Ansprechpartner
Frau Mandy Herberg
Einsatzort
Mornewegstraße
30
64293 Darmstadt
Deutschland
Telefon
+49 6151 1625344
E-Mail

Weitere Informationen

Institut / Einrichtung
Systemsicherheit
Zeitraum der Beschäftigung
nach Vereinbarung
Bewerbungsfristende
Freitag, 1. Juni 2018 - 23:59