【摘 要】
:
物理不可克隆函数电路(physical unclonable function,PUF)是近年来伴随物联网兴起而蓬勃发展的新兴硬件安全技术。PUF具有的无需存储、防篡改能力、随机性、低成本、低功耗、小体积等优势,使其在物联网硬件信息安全领域具有广泛的应用前景。但物联网硬件设备往往工作在复杂的环境中并且对成本和能源有要求,这些限制因素都对PUF技术的应用形成诸多阻碍。因此,在确保PUF电路仍然能够具
论文部分内容阅读
物理不可克隆函数电路(physical unclonable function,PUF)是近年来伴随物联网兴起而蓬勃发展的新兴硬件安全技术。PUF具有的无需存储、防篡改能力、随机性、低成本、低功耗、小体积等优势,使其在物联网硬件信息安全领域具有广泛的应用前景。但物联网硬件设备往往工作在复杂的环境中并且对成本和能源有要求,这些限制因素都对PUF技术的应用形成诸多阻碍。因此,在确保PUF电路仍然能够具有高度稳定性的前提下,本文主要针对面向物联网安全PUF技术应用的超低功耗设计问题进行研究。首先,本文基于经典的仲裁器PUF(arbiter PUF,APUF)结构为其提出了一个具有高能效和高温度稳定性的方案。钳流(current-starved,CS)反相器被插入到每一个多路选择器的输入去降低传统反相器信号翻转的斜率并拓宽由输入激励选择的两条对称链式路径的时间延迟偏差。CS反相器被偏置在零温度效应点(zero temperature coefficient,ZTC),使两条对称链式路径累积延迟对温度变化不敏感,并且被限制的CS反相器漏电流也有效降低了APUF的动态功耗。同时,本文还提出了一种基于两个完全对称RS锁存器的仲裁器去克服传统仲裁器面临的非对称问题(基于D触发器的仲裁器)和亚稳态问题(基于一个RS锁存器的仲裁器)。本文提出的APUF设计已经采用标准65nm工艺流片并且成功验证以上性能。该芯片具有紧凑的硅面积(3838 um2)、较低的能耗(在25Mbps的工作条件下,2.74pJ/bit)、46.8%的唯一性和0.8%的本征误码率。这些物理测量的性能参数优于已经报道的同类型APUF。其次,本文针对电流模式PUF中的电流比较电路结构复杂和功耗过大的问题提出了一个基于胜者全拿(winner-take-all,WTA)电路的失配电流差异数字化的方法。该WTA结构不仅简化了电流比较电路,而且功耗和电流差异的计算时间也都被有效的降低。同时,基于WTA结构的电路特性,本文还提出了仅需要简单逻辑电路就可以被实现的不稳定位检测方法(unstable bit detection,UBD),该方法不仅可以提高PUF响应位的稳定性还可以降低测试成本。为了验证整套方案的有效性,本文设计了一款基于电流镜阵列的PUF。该PUF采用标准65nm工艺并成功流片。测试结果表明,WTA电路的静态功耗只有0.902uW,在13.3Mhz的工作频率下,整体功耗为5.42uW,而能耗只有0.41pJ/b。同时,将本文提出的UBD方法和另一个不稳定位稳定方法(TMV5)结合,常温常压下的不稳定位和误码率可以被降低到0%。而在-40℃和120℃的温度变化范围内,误码率被降低到0.31%/10℃,在1.72V和1.88V的供电电压变化范围内,误码率被降低到0.14%/0.1V。以上两类误码率分别较原始误码下降了84.88%和73.58%。唯一性在应用稳定方案后依然达到50.1%。而该PUF响应位集合在95%置信区间中的自相关系数是±0.0324。以上两种类型的PUF都具有高稳定性并通过了NIST随机性测试,同时超低功耗的特性达到了研究目的,满足了设计要求。
其他文献
图片马赛克作为一种艺术形式,已经在如广告、家具装饰、娱乐等诸多领域被广泛应用。传统意义上的马赛克合成方法通常使用纯色色块或具有一定纹理特征的图块作为算法输入,而图片马赛克则是使用由数据集检索所得的图片集合合成马赛克结果。由于图片马赛克作品中存在目标图像主题内容与合成图块视觉内容两种图像信息,因此图片马赛克合成结果的优劣主要集中于两个方面,一方面是整体上对目标图片主题内容的表达,另一方面是局部尺度上
度量学习是文本分类算法的主要研究问题之一。通过学习一个距离度量函数,将样本间距离转化为相似度,对原始数据分布进行重构,将原始数据映射到一个容易划分的拓扑空间。使两个具有同样标签的样本在新的编码空间内距离更近,两个具有不同标签的样本在新的编码空间内距离更远,从而具有更优的分类性能。近年来,不同学者结合深度学习方法的研究发现深度度量学习网络的性能显著优于传统度量学习方法,其核心是构造用于度量学习的深度
在近期生成式对抗网络的研究中,基于生成式对抗网络的人脸图像翻译领域工作取得了令人印象深刻的进步。现有的方法通常是使用判别器与生成器进行对抗来生成更逼真的图片,再辅以一个分类器约束来促进不同域之间的图像翻译从而达到最终的目的。但是他们忽略了一个非常重要的问题——域分布的匹配问题,即生成图像的分布与真实图像的分布并不相同。为了解决这个问题,本文提出了一种开关式生成对抗网络,这个网络具有一个更适合于多域
社交网络平台是近十年来互联网用户最广泛应用的大型信息系统,已经成为海量用户交流与资讯获取的重要渠道。其中,大众社交网络平台(微博、领英、QQ等)很少从研究领域或研究兴趣的角度组织用户和传播信息,因此又逐渐衍生出专为科研人员提供专业学术资讯的科研社交网络平台。这些平台通过提供用户搜索服务帮助科研工作者寻找合作伙伴,并借助推荐系统解决信息过载和需求不明的问题。目前,科研合作者推荐领域重点关注特征的选择
颜色是数据可视化中最重要的视觉通道之一。为不同的可视化任务设计适当的配色,既能促进数据隐藏模式的发现,也可以带来视觉美感。特别是在类别型数据的可视化展示中,合适的配色能美观且清晰地传达每个数据类别之间的关系,用户可以根据颜色快速感知到类别信息。但即便对于专业设计师来说,为给定的类别型数据设计合适的颜色映射也是比较困难的。用户往往使用可视化设计软件提供的配色模板,或ColorBrewer等软件建议的
中文分词问题的研究能够为其他中文处理问题提供更准确的特征。诸如:文本分类,信息检索,问答系统,机器翻译,机器阅读等研究问题都非常依赖中文分词。在应用方面,搜索引擎,舆情分析,翻译系统,智能问答系统等,也需要更好的中文分词来达到更好的效果。而且,随着中文文本数据的急剧增长,这些应用都面临着更多的挑战。在中文文本的特征工程中,中文的词是非常重要的特征之一,虽然中文字符也可以作为特征,但是相对而言语言中
随着物联网技术的不断发展,越来越多不同类型的传感器被运用到最新的电子产品中。电阻式传感器因其应用场景众多(如:温度、湿度、压力等物理量的感测)而备受业界关注。而作为连通自然界模拟量与计算机数据处理所用的数字量之间的桥梁,读出芯片(Readout IC,ROIC)向来是传感系统中不可或缺的一环。Sigma-Delta型模数转换器(Analog to Digital Converter,ADC)凭借过
子空间学习是图像特征提取的基本方法之一。子空间学习方法力图保持原始数据的某种结构信息或鉴别信息的同时将高维数据投影到低维子空间上,从而达到降维和获取最优鉴别特征信息的目的。然而,大部分子空间学习方法对噪声、野点和其它干扰等较为敏感,使得他们在实际应用环境中缺乏鲁棒性。近年来很多研究致力于提高子空间算法的鲁棒性,但它们在应用到图像特征提取与识别任务仍存在一些系列的问题。现有子空间学习方法存在的问题可
随着互联网的蓬勃发展,数据规模越来越大,数据的检索时间也急剧增加。近似最近邻检索旨在根据数据的相似性,从海量数据中,快速检索出与目标最相似的数据。哈希学习技术是提高最近邻检索速度的主要方法之一,其具有占用空间小、检索速度快等优点,近年来得到研究者的广泛关注。传统的哈希学习方法大多是对称的,即学习到的二值码都是来源于同一个哈希函数。随着相关研究的深入,有学者发现,非对称哈希学习方法的性能要优于传统的
电压基准源是模拟集成电路中的一个重要的单元,广泛应用于模数转换器、数模转换器、动态存储器等集成电路中。传统的带隙基准电压源结构由于工作电压高,静态功耗过大且引入了电阻造成了面积过大等问题;能源问题和芯片散热对工作性能的影响驱使着芯片设计往低功耗方向进行;于是低功耗的趋势使得基准源电路的设计转向研究CMOS电压基准源电路。但随着集成电路技术的不断发展,CMOS管的沟道长度越来越短,在集成电路制造过程