NIST White Paper (draft) Combination Frequency Differencing

こんにちは、丸山満彦です。

NISTがCombination Frequency Differencing（組み合わせ頻度差分？）についてのWhite Paperのドラフトが公開していますね。。。

PUF。。。

● NIST - ITL

・2021.12.06 Combination Frequency Differencing: Draft NIST Cybersecurity White Paper

・2021.12.06 White Paper (Draft) Combination Frequency Differencing

White Paper (Draft) Combination Frequency Differencing	ホワイトペーパー（案）組合せ頻度差分
Announcement	発表内容
Combinatorial coverage measures have been defined and applied to a wide range of problems, including fault location and evaluating the adequacy of test inputs and input space models. More recently, methods applying coverage measures have been used in applications of artificial intelligence and machine learning for explainability and analyzing aspects of transfer learning. These methods have been developed using measures that depend on the inclusion or absence of t-tuples of values in inputs and test cases.	組合せカバレッジ法は、故障箇所の特定、テスト入力や入力空間モデルの妥当性の評価など、様々な問題に定義・適用されてきた。最近では、人工知能や機械学習の応用として、説明可能性や伝達学習の側面を分析するために、カバレッジ尺度を適用する手法が用いられている。これらの手法は、入力やテストケースに値のtタプルが含まれているかいないかに依存する尺度を用いて開発されてきた。
This paper introduces a new method related to combinatorial testing and measurement, combination frequency differencing (CFD), and illustrates the use of CFD in machine learning applications. This method is particularly well-suited to artificial intelligence and machine learning applications, where training data sets used in learning systems are dependent on the prevalence of various attributes of elements of class and non-class sets. This paper illustrates the use of this method by applying it to analyzing physical unclonable functions (PUFs) for bit combinations that have a disproportionately strong influence on PUF response bit values. Additionally, it is shown that combination frequency differences provide a simple but effective algorithm for classification problems.	本論文では、組み合わせテストと測定に関連する新しい手法である組み合わせ周波数差分法（CFD）を紹介し、機械学習のアプリケーションにおけるCFDの使用方法を説明します。この手法は，学習システムで使用される学習データセットが，クラスセットと非クラスセットの要素の様々な属性の有 効性に依存している人工知能や機械学習のアプリケーションに特に適しています。本論文では、この手法を物理的アンクローナブル関数（PUF）の解析に適用し、PUFの応答ビット値に不釣り合いなほど強い影響を与えるビットの組み合わせを解析することで、この手法の使用方法を示している。さらに、組み合わせ頻度の違いが、分類問題のためのシンプルで効果的なアルゴリズムを提供することを示しています。
Abstract	概要
This paper introduces a new method related to combinatorial testing and measurement, combination frequency differencing (CFD), and illustrates the use of CFD in machine learning applications.  Combinatorial coverage measures have been defined and applied to a wide range of problems, including fault location and for evaluating the adequacy of test inputs and input space models. More recently, methods applying coverage measures have been used in applications of artificial intelligence and machine learning, for explainability and for analyzing aspects of transfer learning. These methods have been developed using measures that depend on the inclusion or absence of t-tuples of values in inputs, training data, and test cases. In this paper, we extend these combinatorial coverage measures to include the frequency of occurrence of combinations.  Combination frequency differencing is particularly suited to AI/ML applications, where training data sets used in learning systems are dependent on the prevalence of various attributes of elements of class and non-class sets. We illustrate the use of this method by applying it to analyzing physically unclonable functions (PUFs) for bit combinations that disproportionately influences PUF response values, and in turn provides indication of the PUF potentially being more vulnerable to model-building attacks. Additionally, it is shown that combination frequency differences provide a simple but effective algorithm for classification problems.	本稿では，組合せ試験・測定に関連した新しい手法である組合せ周波数差法（CFD）を紹介し，機械学習アプリケーションにおけるCFDの利用方法を説明する。 組合せカバレッジ法は，故障箇所の特定，テスト入力や入力空間モデルの妥当性の評価など，様々な問題に適用されてきた．最近では、人工知能や機械学習のアプリケーションにおいて、説明可能性や伝達学習の分析にカバレッジ測定法を適用する手法が用いられています。これらの手法は、入力、学習データ、テストケースに値のtタプルが含まれているか否かに依存する尺度を用いて開発されている。本論文では，これらの組み合わせカバレッジ尺度を拡張し，組み合わせの出現頻度を含める． 組み合わせ頻度差分法は、学習システムで使用される訓練データセットが、クラスセットと非クラスセットの要素の様々な属性の有病率に依存しているAI/MLアプリケーションに特に適している。この手法を物理的に複製できない機能（PUF）の解析に適用したところ、PUFの応答値に不均衡な影響を与えるビットの組み合わせが見つかり、PUFがモデル構築攻撃に対してより脆弱である可能性を示すことができました。さらに、組み合わせ頻度の違いが、分類問題に対してシンプルかつ効果的なアルゴリズムを提供することも示されています。

・[PDF]