In this project, we investigate authentication systems that utilize fuzzy extractors and Physically Unclonable Functions (PUFs) to uniquely identify hardware components.

物理不可克隆函数（Physical Unclonable Functions，PUF）在设备认证和安全密钥存储等应用中具有高度灵活性，并被广泛用于嵌入式系统的安全防护。利用PUF技术为双核安全架构提供可信根（PUF-based Root of Trust，PRoT），设计了以PRoT为信任锚点的信任链和密钥更新协议，保证了在SoC系统上可信关系的逐级扩展以及安全启动的可靠性和安全性。通过测试实验表明，PUF能够为嵌入式系统提供安全灵活的可信根，PRoT能够以较小TCB运行于双核隔离SoC系统中，其随机数种子和唯一设备密钥对多种攻击具有抗性。

MATLAB典型代码树突图惩罚匹配算法 在这个项目中，我们要设计一个轻量级的图形匹配图像识别/认证算法。 该代码由Ali Valehi，Zaoyi Chi和Abolfazl Razi博士开发。 在以下部分中，我将描述大多数功能文件和文件夹的用法。 大多数功能在一开始就具有注释。 我希望它可以帮助想要了解该代码的任何人。 ：> 本教程和当前存储库的描述 我将描述文件夹的用法。 有些文件夹是重复的，但有微小的更改，我之前可能会使用它们进行其他测试。 我建议在运行任何代码之前，将所有文件包含在MATLAB的子文件夹中。 ./faster-code ：在此文件夹中，我开发了图形惩罚算法的更新版本。 在此版本中，搜索和匹配算法比旧版本至少快10倍。 这些函数被命名为$Functions_Fast(er).m ，这意味着我们还具有名为$Functions.m的同一函数的旧版本。 ./faster-code/Distance_Fast.m ：此函数分别根据test和ref计算两个节点之间的距离得分。 ./faster-code/mappingAndLink_Faster.m ：该函数映射两棵树tes

随着攻击技术的不断进步，基于机器学习(Machine Learning，ML)、深度学习(Deep Learning，DL)等技术的建模攻击严重威胁了PUF的安全。针对Glitch PUF单元电路静态输出的缺陷，首次提出使用多层感知器(Multilayer Perceptron，MLP)算法对Glitch PUF进行机器学习，解决了Glitch PUF输出为非线性可分数据的问题，能够对Glitch PUF攻击并预测其输出。实验表明，对比于逻辑回归(Logistic Regression，LR)算法和随机森林(Random Forest，RF)二分类算法，提出的MLP算法显著降低了预测错误率。

PUF论文整理

Matlab代码生成fpga RO_PUF 环形振荡器物理上不可克隆的功能，用于安全密钥生成 该代码已在Xilinx Artix-7 FPGA中进行了测试。 sources /包括PUF，UART tx / rx，纠错模块和哈希函数的源代码。 Matlab /包含用于从FPGA接收数据的Matlab脚本。 python /包括用于在所述数据上计算指标的脚本。 这是来自BCH编码器的示例代码字，可用于生成辅助数据： 123456789abcdef0123456789abcdef0123456789abcdef16fe0bf6e0e61ebfd51

提出了一种基于可配置环形振荡器的双模 PUF，该双模 PUF 可同时使用奇数个反相器（如可重配置的 RO PUF）和偶数个反相器（如双稳态环（BR）PUF）。由于当前尚无可同时对 RO PUF 和 BR PUF 建模的已知攻击，因此，只要我们能够通过两种实用方法实现对攻击者的隐藏，双模 PUF 将能够抵抗建模攻击。

Implementation and Characterization of a Physical Unclonable Function for IoT: A Case Study With the TERO-PUF的论文翻译

PUF_模拟

一个使用python对puf的模拟器，并使用机器学习结合cma-es（协方差矩阵自适应策略）进行建模攻击，得出准确率。