2、物理不可克隆函数（PUFs）的研究现状与实例分析

物理不可克隆函数（PUFs）的研究现状与实例分析

1. 引言

物理不可克隆函数（PUFs）在身份识别等领域具有重要应用。其基本原理是基于物理系统的随机特性，对特定挑战产生唯一响应。然而，在实际应用中，PUFs面临着如环境影响、模型攻击等诸多挑战。接下来，我们将详细探讨PUFs的相关概念、环境影响以及不同类型的PUF实例。

2. 距离度量

PUFs的核心应用在于身份识别，为此引入了类间距离（inter-distance）和类内距离（intra-distance）的概念。
- 类间距离 ：对于特定挑战，两个不同PUF实例的响应之间的距离。
- 类内距离 ：对于特定挑战，同一PUF实例两次评估的响应之间的距离。

通常，当响应为位串时，使用汉明距离进行度量，常以相对或分数汉明距离表示。类间距离和类内距离的值会因挑战和涉及的PUF而异。对于特定类型的PUF，通常通过直方图总结其距离特征，许多情况下可近似为高斯分布，用均值（μinter和μintra）和标准差（σinter和σintra）表示。

μintra反映了响应的平均噪声，即测量响应相对于早期观察的平均可重复性，我们希望其尽可能小以获得可靠的PUF响应。μinter体现了唯一性，即基于PUF响应区分两个系统的平均能力，若响应为位串，理想情况下μinter应接近50%。但最小化μintra和|50% - μinter|的目标可能相互冲突，需要找到合适的权衡。

以下是类间距离和类内距离的总结表格：
| 距离类型 | 定义 | 理想值 | 意义 |
| ----