基于多路复用器的可重构PUF与TRNG设计：提升物联网安全性的非线性抗机器学习攻击方案

为解决物联网(IoT)设备中传统仲裁器PUF因线性特征易受机器学习(ML)攻击的问题，研究人员提出了一种新型可重构PUF与TRNG(RePT)架构。通过引入非线性函数掩蔽输入输出关系，该设计在32,621 μm2 面积下实现38 Mbps PUF吞吐量，且经100,000组训练数据测试仍无法被ML攻破，同时复用硬件资源实现260 Mbps TRNG功能，为硬件安全提供了高性价比解决方案。

　　

在物联网(IoT)时代，硬件安全已成为保护集成电路(IC)的核心挑战。传统仲裁器物理不可克隆函数(PUF)因其延迟差异的线性特性，极易被机器学习(ML)算法破解，而现有解决方案往往以大幅增加面积和功耗为代价。与此同时，真随机数发生器(TRNG)作为密钥生成的核心模块，其熵值不足问题也制约着安全性能。如何在不显著增加硬件开销的前提下，同时实现PUF的抗攻击能力和TRNG的高随机性，成为学术界与工业界亟待突破的难题。

山东大学的研究团队在《Microprocessors and Microsystems》发表的研究中，创新性地提出了一种基于多路复用器的可重构PUF与TRNG(RePT)设计。该研究通过三项关键技术：1) 采用多变量多项式建模非线性函数，构建输入输出间的非线性映射关系；2) 建立包含安全性、面积和功耗的多目标优化函数，结合Sigmoid函数量化PUF的随机性、唯一性和可靠性约束；3) 开发选择信号动态配置算法，使同一组多路复用器可切换实现PUF或TRNG功能。

非线模型
研究通过将n位输入挑战A经非线性函数F(A)转换为内部挑战B，打破传统PUF的线性响应模式。每个子函数f_i
(a₁
,...,a_n
)采用多项式近似，其系数通过拉格朗日优化确定，最终实现ML预测准确率低于随机猜测水平。

性能约束
通过Sigmoid函数将响应R二值化，推导出随机性r₁
=1/N∑[exp(k₂
Δt(k))/(1+exp(k₂
Δt(k)))]的量化公式。测试显示，该设计在K₁
=1000组挑战下，唯一性达49.97%，远超传统PUF的线性响应特征。

模型A-优化
建立包含安全系数k_o
、面积权重λ_o
的优化目标函数，通过引入拉格朗日乘数β_z
、ξ_i2

等，在55nm工艺下实现面积仅32,621 μm²
，较同类设计降低22.3%。

硬件实现
分别采用逻辑门(LG)和神经网络(NN)实现非线性模块，Vivado HLS仿真显示LG方案延迟为3.2ns，而NN方案通过4层感知机实现98.7%的功能保真度。

性能对比
在MLP神经网络攻击测试中，传统PUF仅需500组数据即可被破解，而RePT设计在100,000组训练数据下仍保持50.01%的错误率，证明其完全抵抗ML攻击的能力。TRNG模式通过复用PUF的路径抖动特性，实现NIST SP800-22标准认证的260Mbps输出。

该研究首次将非线性优化理论与硬件复用技术结合，开创性地解决了PUF安全性与硬件开销的矛盾。其创新点在于：1) 通过数学建模将非线性强度与硬件代价关联；2) 开发出可动态切换的安全原语架构；3) 为IoT设备提供同时满足高安全、低成本的硬件解决方案。研究团队Zhiyuan Pan等人提出的RePT设计，为后摩尔时代的硬件安全提供了新的技术范式，特别是在智能终端、边缘计算等资源受限场景具有重大应用价值。