Suh et al. utilized PUF in a RFID s

Suh et al. utilized PUF in a RFID system [33] , where each response of the PUF tag is stored in the backend database yet drew during authentication. If the new response generated from the tag is the same as that stored in the database, then one-way authentication of the tag valid to the reader is achieved. Though, the method proposed in [13] is not considered in this research due to the manufacturing cost as well as the vulnerability to Machine Learning (ML) attacks [35] . In recent years, such a kind of attacks has severe impact on PUF, since the delay parameters of PUF mainly determine the challenge- response behavior of the arbiter PUF. Machine Learning (ML) algorithms collect and analyze the challenge-response pairs (CRPs) of the arbiter PUF and randomly generates n PUF models with different delay parameters. Furthermore, these models are trained by collected CRPs, so the PUF model with the challenge response behavior closest to the original arbiter PUF is selected among n PUF models. Additionally, the delay parameters of the selected PUF model are randomly mutated so new PUF models are generated, and continuously repeated as many times as needed until the final trained PUF model produces a similar response as the original arbiter PUF

結果 (繁體中文) 1:

Suh等人。在RFID系統[33]，其中，所述PUF標籤的每一個響應被存儲在後端數據庫中使用PUF認證期間還畫了。如果從標籤產生的新的反應是一樣存儲在數據庫中，然後將標籤有效讀者的單向認證成功。雖然，在[13]在這項研究中不被認為是由於製造成本以及該漏洞的機器學習（ML）攻擊[35]提出的方法。近年來，這種類型的攻擊對PUF嚴重的影響，因為PUF的延遲參數主要是確定仲裁PUF的挑戰 - 響應行為。機器學習（ML）算法的收集和分析仲裁器PUF的挑戰 - 應答對（的CRP），並隨機地生成n個PUF型號不同延遲參數。此外，這些模型被收集協調研究項目的訓練，因此n PUF車型當中選擇與最接近原始仲裁者PUF質詢響應行為PUF模型。此外，所選擇的PUF模型的延遲參數被隨機突變，以便新PUF模型生成的，並且連續地重複根據需要，直到最後的訓練的PUF模型產生作為原始仲裁器PUF類似的反應多次

結果 (繁體中文) 2:

Suh等人在RFID系統中使用了PUF[33]，其中PUF標籤的每個回應都存儲在後端資料庫中，但在認證過程中繪製。如果從標記生成的新回應與存儲在資料庫中的回應相同，則實現對讀取器有效的標記的單向身份驗證。雖然，由於製造成本以及機器學習 （ML） 攻擊的脆弱性 [35]，本研究中建議的方法並未考慮。近年來，這種攻擊對PUF產生了嚴重影響，因為PUF的延遲參數主要決定仲裁人PUF的挑戰-回應行為。機器學習 （ML） 演算法收集和分析仲裁器 PUF 的挑戰回應對 （CRP），並隨機生成具有不同延遲參數的 puF 模型。此外，這些模型由收集的 CRP 進行訓練，因此在 n 個 PUF 模型中選擇具有最接近原始仲裁者 PUF 的挑戰回應行為的 PUF 模型。此外，所選 PUF 模型的延遲參數是隨機突變的，因此會生成新的 PUF 模型，並根據需要連續重複多次，直到最終經過訓練的 PUF 模型產生與原始仲裁者 PUF 類似的回應

結果 (繁體中文) 3:

Suh等人。在RFID系統[33]中使用PUF，其中PUF標籤的每個響應都存儲在後端資料庫中，但在身份驗證期間繪製。如果從標記生成的新響應與存儲在資料庫中的響應相同，則實現對讀取器有效的標記的單向身份驗證。然而，由於製造成本和易受機器學習（ML）攻擊的影響，本研究不考慮[13]中提出的方法[35]。近年來，由於PUF的延遲參數主要决定了仲裁者PUF的挑戰-響應行為，這類攻擊對PUF產生了嚴重的影響。機器學習（ML）算灋收集和分析仲裁器PUF的挑戰-響應對（crp），隨機生成n個具有不同延遲參數的PUF模型。此外，這些模型是由收集到的crp訓練的，囙此在n個PUF模型中選擇了挑戰-反應行為最接近原仲裁者PUF的PUF模型。此外，所選PUF模型的延遲參數被隨機變異，從而生成新的PUF模型，並根據需要連續重複多次，直到最終訓練的PUF模型產生與原始仲裁PUF相似的響應