当一颗芯片在物联网世界的喧嚣中苏醒，它既要从物理世界中提取纯粹的随机性，又要向数字世界证明自己的唯一身份——这一切不再依靠脆弱的软件密钥，而是深植于硅晶格的物理特性之中。
清晨，某智能家居公司的安全主管发现，一批最新部署的智能门锁在深夜同时向未知服务器发送数据包。调查结果是灾难性的：所有设备出厂时预置的软件密钥被同一方式破解，攻击者像用万能钥匙一样接管了整个产品线。
这场危机的根源在于传统安全方案的一个根本性矛盾：大规模生产要求设备相同，而安全保障要求设备唯一。解决这一矛盾的答案，不在更复杂的密码算法中，而在芯片的物理本质里——真随机数发生器（TRNG）提供不可预测性，物理不可克隆功能（PUF）提供唯一性。
但当这两者简单组合时，PUF正面临新的威胁：机器学习算法正在学会“克隆”物理指纹。
01 传统硬件安全困局：当机器学习学会“克隆”芯片指纹
在硬件安全领域，PUF被誉为“硅基指纹”。它利用芯片制造过程中无法避免的微观差异——晶体管阈值电压的纳米级偏差、金属连线宽度的原子级波动——为每颗芯片生成独一无二的响应。
最常见的仲裁器PUF（Arbiter PUF）工作原理优雅而简单：信号通过两条刻意设计为对称的路径，制造差异使其中一条总是略微更快。这个“竞赛”结果就是芯片的1位指纹。
然而，2010年后的研究表明，机器学习（ML）能够成为PUF的“克星”。攻击者通过收集数万到数十万组“挑战-响应对”（CRP），可以训练神经网络模型准确预测未知挑战的响应，预测准确率可达99%以上。这意味着，物理上不
