Las Funciones Físicas No Clonables (PUFs) son primitivas de seguridad prometedoras para dispositivos IoT con recursos limitados. Un aspecto crítico de la investigación de seguridad de PUF es identificar todos los posibles riesgos de seguridad. Esta información sobre vulnerabilidades es beneficiosa tanto para los desarrolladores de PUF como para los desarrolladores de aplicaciones que utilizan PUF, en términos de diseñar nuevos PUF para mitigar los riesgos existentes y evitar PUF vulnerables. Recientemente, se propuso una estructura de PUF llamada PUF de Interposición (IPUF), que afirma ser resistente a ataques de fiabilidad y ataques de modelado de aprendizaje automático. Estudios relacionados sobre este diseño de PUF seguro han demostrado que algunos IPUFs aún pueden ser vulnerados, pero los IPUFs grandes pueden seguir siendo seguros contra todos los ataques de modelado conocidos. Además, todos estos estudios se centran en ataques de pares de desafío-respuesta simples o requieren conocimiento previo de la implementación de la arquitectura IPUF. Sin embargo, dependiendo de la afirmación de resistencia al ataque a ataques de fiabilidad, podemos emplear un enfoque de ataque diferente para vulnerar IPUFs. En este documento, describimos un método de ataque basado en preaprendizaje de subespacios que puede romper rápidamente y con precisión los IPUFs que se consideraron seguros en el estudio anterior, revelando una vulnerabilidad en los IPUFs si la interfaz abierta se ajusta a la forma en que los datos de desafío-respuesta son accedidos por el método de ataque basado en preaprendizaje de subespacios.