🤖 machine learning

Designing Short-Stage CDC-XPUFs: Balancing Reliability, Cost, and Security in IoT Devices

本文提出了一种优化的短级 CDC-XPUF 设计方案，通过引入预选择策略和新型轻量级架构，在显著降低硬件开销的同时，有效平衡了物联网设备的安全性、可靠性与成本。

原作者： Gaoxiang Li, Yu Zhuang

发布于 2026-04-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Gaoxiang Li, Yu Zhuang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文主要解决了一个物联网（IoT）设备面临的大难题：如何在资源非常有限（省电、省钱、体积小）的情况下，让设备既安全又可靠？

为了让你轻松理解，我们可以把这篇论文的研究对象——PUF（物理不可克隆函数），想象成一种**“硬件指纹”**。

1. 背景：为什么我们需要“硬件指纹”？

想象一下，你给每个物联网设备（比如智能灯泡、传感器）都发了一把独一无二的钥匙。

传统方法：这把钥匙是写在芯片里的数字密码。但黑客可以偷看、复制，或者把芯片拆了把密码读出来。
PUF 方法：这把钥匙不是写出来的，而是制造芯片时自然形成的。就像世界上没有两片完全相同的树叶，芯片里的微小电路差异（就像树叶的纹路）是独一无二的。
- 当你问芯片一个问题（挑战），它会利用这些微小的差异给出一个答案（响应）。
- 因为差异是物理存在的，所以无法被复制，这就是“物理不可克隆”。

2. 遇到的问题：旧方法的两个“死穴”

以前的 PUF 设计（比如 XOR-PUF）虽然很聪明，但有两个大毛病：

死穴一：怕“猜谜”（机器学习攻击）
- 比喻：黑客就像是一个超级聪明的侦探。如果 PUF 的“回答逻辑”太简单（比如只是简单的加减法），侦探只要问几百个问题，就能总结出规律，从而预测出 PUF 对任何新问题的回答。这就好比侦探学会了你的指纹规律，以后不用真指纹也能开锁。
- 现状：为了防住侦探，以前的做法是增加“侦探”猜谜的难度（增加电路层级），但这会让芯片变得很大、很耗电，物联网设备用不起。
死穴二：怕“天气”（可靠性攻击）
- 比喻：PUF 是个“娇气”的指纹。天气热了、电压不稳了，它的回答可能会偶尔变一下（比如昨天说“是”，今天说“否”）。
- 攻击：黑客利用这种“不稳定”，反复问同一个问题，观察它什么时候变卦。通过分析这些“变卦”的规律，黑客也能破解它。
- 现状：以前的解决办法是“三思而后行”（比如问三次取多数），但这依然不够安全，而且效率低。

3. 论文的创新：两个“绝招”

这篇论文提出了一种新的设计（叫 Short-Stage CDC-XPUF），用了两个巧妙的策略来解决上述问题：

绝招一：只挑“铁杆粉丝”（预筛选策略）

核心思想：既然有些回答容易受天气影响（不稳定），那我们就干脆不用它们！
比喻：想象你在选保镖。以前是“来者不拒”，结果有些保镖下雨天就晕倒（不稳定）。现在，你加了一个**“体检关卡”**：
- 先让每个保镖试跑几圈（施加延迟测试）。
- 如果某个保镖在测试中表现忽快忽慢（不稳定），直接淘汰，不让他上岗。
- 只录用那些无论天气如何，反应都极其稳定的“铁杆保镖”。
效果：因为留下的都是“铁杆”，黑客再也抓不到“变卦”的规律了，可靠性攻击直接失效。而且，因为只用了最稳定的部分，不需要复杂的“三思而后行”机制，省了资源。

绝招二：人海战术 + 短跑选手（轻量化架构）

核心思想：以前为了防黑客猜谜，喜欢把单个保镖训练成“长跑专家”（增加电路层级），但这太累太费电。现在改为：找更多的“短跑选手”，让他们各跑各的。
比喻：
- 旧方法：让一个保镖跑 100 公里（长电路），很难预测他什么时候累。但跑 100 公里太累（耗电大）。
- 新方法：找 10 个保镖，每人只跑 10 米（短电路）。
  - 关键点：这 10 个保镖，每个人收到的指令（挑战）都是不一样的（这就是 CDC，组件差异化挑战）。
  - 最后把 10 个人的结果混在一起（异或运算）。
效果：
- 防猜谜：因为每个人跑的路线和指令都不同，黑客想总结规律难上加难（非线性极强）。
- 省资源：每个人只跑 10 米，芯片面积小，耗电低。
- 空间大：虽然每个人跑得短，但人多力量大，组合起来能产生的“钥匙”数量（挑战 - 响应对空间）依然巨大，足够用。

4. 总结：为什么这很重要？

这篇论文就像是在说：

“我们不需要发明一种全新的、昂贵的‘超级指纹’。只要把现有的‘普通指纹’稍微改造一下：第一，把那些容易感冒的‘体质差’的指纹挑出去不用；第二，把‘长跑’改成‘多人短跑接力’。"

最终成果：

更安全：黑客既猜不出规律，也抓不到“变卦”的把柄。
更省钱：芯片做得更小，耗电更低。
更实用：非常适合那些电池小、算力弱的物联网设备（如智能门锁、传感器）。

这就好比给物联网设备穿上了一件既轻便又防弹的铠甲，让它们能在复杂的网络环境中安全地工作。

这是一份关于论文《Designing Short-Stage CDC-XPUFs: Balancing Reliability, Cost, and Security in IoT Devices》（设计短级 CDC-XPUF：在 IoT 设备中平衡可靠性、成本与安全性）的详细技术总结。

1. 研究背景与问题 (Problem)

随着物联网（IoT）设备的爆发式增长，对轻量级且安全的认证机制需求迫切。物理不可克隆函数（PUF）利用硬件制造的固有差异生成唯一密钥，是理想的解决方案。然而，现有的 PUF 设计面临以下核心挑战：

机器学习（ML）攻击脆弱性：传统的仲裁 PUF（APUF）具有线性响应行为，极易被机器学习模型破解。虽然异或仲裁 PUF（XOR-PUF）通过增加非线性提高了抗 ML 攻击能力，但为了达到足够的安全性，通常需要增加异或门（XOR）的数量或级数，导致硬件开销和功耗剧增，不适合资源受限的 IoT 设备。
可靠性与基于可靠性的攻击：由于环境变化和噪声，PUF 响应可能存在不一致性（不可靠）。这种不稳定性不仅影响实际应用，还使得 PUF 容易受到“基于可靠性的 ML 攻击”（Reliability-based ML attacks）。攻击者通过重复挑战同一输入，收集响应波动数据来建模 PUF 行为。
CDC-XPUF 的局限性：组件差异挑战异或 PUF（CDC-XPUF）通过为每个组件分配不同的挑战位来增强安全性，但其面临两个主要问题：
1. 挑战传输开销大：每个组件需要独立的挑战位，导致传输比特数增加，功耗上升。
2. 可靠性问题：传统的 CDC-XPUF 同样面临可靠性挑战，且随着异或组件数量增加，基于可靠性的攻击风险依然存在。
现有方案的不足：现有的缓解方案（如限制 CRP 查询次数或多数投票法）要么系统级实施成本高昂，要么无法从根本上解决硬件层面的不稳定性（特别是当延迟差 $\Delta D$ 接近零时，多数投票法效果有限）。

2. 方法论 (Methodology)

本文提出了一种优化的**短级 CDC-XPUF（Short-Stage CDC-XPUF）**架构，结合了两种关键创新策略来平衡安全性、可靠性和成本：

A. 预选择策略 (Pre-Selection Strategy)

旨在从硬件层面解决可靠性问题，抵御基于可靠性的攻击。

原理：PUF 响应的可靠性取决于两条信号路径的延迟差（ $\Delta D$ ）。如果 $\Delta D$ 很小，噪声容易导致响应翻转。
机制：在传统的仲裁 PUF 架构中引入额外的延迟模块（Delay Module）。对于每个挑战，系统并行生成三个响应：
1. 原始路径响应： $Sign(d_{upper} - d_{lower})$
2. 上路径增加延迟： $Sign(d_{upper} + D_{delay} - d_{lower})$
3. 下路径增加延迟： $Sign(d_{upper} - (d_{lower} + D_{delay}))$
筛选标准：仅当这三个响应完全一致（即均为"000"或"111"）时，该挑战 - 响应对（CRP）才被选中使用。
效果：这种机制确保了选用的 CRP 具有足够大的 $|\Delta D|$ ，使得噪声无法改变响应符号，从而在硬件层面实现了近乎完美的可靠性，消除了基于可靠性的攻击所需的响应波动性。

B. 轻量级短级 CDC-XPUF 架构设计

旨在降低硬件开销并维持抗 ML 攻击能力。

设计思路：打破传统“增加级数”或“增加异或数量”的单一思路，采用**“减少组件内级数，增加组件数量”**的策略。
- 减少级数 (Short-Stage)：减少每个仲裁 PUF 组件内部的级数（Stages），直接降低硬件资源（多路选择器、仲裁器）和功耗。
- 增加组件 (More Components)：增加参与异或运算的组件数量。研究表明，增加组件数量比增加级数更能显著提升非线性，从而增强抗 ML 攻击能力。
CDC 特性：利用 CDC-XPUF 的特性，为每个组件分配独特的挑战位。这使得即使组件级数减少，整体的 CRP 空间（Challenge-Response Pair space）依然巨大（例如，16 级 4 组件的 CDC-XPUF 拥有 $2^{64}$ 的 CRP 空间，远超同配置的传统 XOR-PUF）。

C. 集成方案

将上述两种策略结合：在短级 CDC-XPUF 架构中应用预选择策略。

利用预选择策略过滤掉不稳定的 CRP，确保系统只使用高可靠性的 CRP。
利用短级多组件架构降低硬件成本，同时保持高非线性以抵抗 ML 攻击。

3. 关键贡献 (Key Contributions)

提出预选择策略：通过硬件层面的延迟比较和一致性检查，过滤掉不稳定的 CRP，实现了接近完美的可靠性（BER < $10^{-8}$ ），从根本上消除了基于可靠性的攻击面，而无需复杂的系统级协议。
设计轻量级 CDC-XPUF 架构：提出了一种新的架构平衡点，即“短级数 + 多组件”。该设计显著降低了门等效数（Gate Equivalents, GE）和传输比特数，同时通过增加组件数量维持了对 ML 攻击的高抵抗力。
全面的实验验证：在 Artix-7 FPGA 上进行了大规模实验（生成 1 亿个 CRP），验证了该设计在可靠性、唯一性、随机性、硬件成本和抗 ML 攻击能力方面的综合性能。

4. 实验结果 (Results)

实验在 Xilinx Artix-7 FPGA 上进行，主要结果如下：

可靠性 (Reliability)：
- 应用预选择策略后，位错误率（BER）从原始的 0.67% - 8.0% 降低至 < $10^{-8}$ （近乎完美）。
- 相比之下，传统的多数投票法（50 次投票）仅能将 BER 降至 0.6% - 1.0%，且无法解决接近决策边界的 CRP 问题。
- 对于 10 组件 CDC-XPUF，使用 2 个反相器（NOT gates）作为延迟模块时，实现了完美可靠性。
抗机器学习攻击能力 (ML Resistance)：
- 配置为 10 个组件、8 级 的轻量级 CDC-XPUF，在遭受高达 2 亿 (200 million) 个 CRP 的训练攻击下，攻击成功率仍低于 90%（即攻击失败）。
- 相比之下，传统的高级数 XOR-PUF 在较少 CRP 下即被攻破。
- 证明了“多组件”策略在抗 ML 攻击方面比“多级数”更有效。
硬件成本与效率 (Cost & Efficiency)：
- 门等效数 (GE)：优化的短级 CDC-XPUF 显著降低了硬件开销。例如，10 组件 8 级的设计仅需约 1368 GE，而传统 64 级 10 组件的 XOR-PUF 需要 10328 GE。
- 传输比特：虽然 CDC 需要更多挑战位，但通过减少级数，整体传输比特数得到了优化（例如 10 组件 8 级仅需 80 位传输，而传统方案需 64 位但安全性低）。
- CRP 空间：保持了巨大的 CRP 空间（如 $2^{80}$ ），满足认证协议需求。
唯一性与随机性：
- 唯一性（Uniqueness）保持在 65%-75% 之间，符合安全标准。
- 随机性（Randomness）在 54%-59% 之间，虽受 FPGA 固定架构限制未达完美 50%，但在海量 CRP 空间下足以满足应用需求。

5. 意义与结论 (Significance)

重新审视传统架构：本文挑战了“必须抛弃传统 XOR-PUF 设计”的观点，证明了通过适当的策略优化（预选择 + 架构调整），传统架构仍具有巨大的潜力和实用性。
IoT 安全的新范式：提出了一种在资源受限环境下实现“高安全性、高可靠性、低成本”的平衡方案。该设计特别适用于对功耗、面积和安全性都有严格要求的 IoT 设备。
防御机制的革新：通过硬件层面的预选择机制解决可靠性问题，比依赖软件协议或外部保护更为根本和高效，为抵御日益复杂的基于可靠性的侧信道攻击提供了新思路。
可持续的演进路径：强调了在现有成熟技术基础上进行渐进式创新（Incremental Innovation）的价值，而非盲目追求全新的、未经验证的架构。

综上所述，该研究成功设计并验证了一种短级 CDC-XPUF，通过预选择策略解决了可靠性瓶颈，通过短级多组件架构解决了硬件成本与抗 ML 攻击的矛盾，为下一代 IoT 设备的安全认证提供了极具前景的解决方案。