基于多模块PUF特征提取的无人机集群分布式认证技术

李志强; 黄鑫; 郦苏丹; 韩彪

doi:10.20172/j.issn.2097-3136.250922

网络空间安全科学学报 >

2026 , Vol. 4 >Issue 1: 80 - 91

DOI: https://doi.org/10.20172/j.issn.2097-3136.250922

技术应用

基于多模块PUF特征提取的无人机集群分布式认证技术

李志强 ,
黄鑫 ,
郦苏丹 ^,* ,
韩彪

展开

国防科技大学计算机学院，长沙 410073

nudtlsd@163.com

网络出版日期: 2025-09-29

基金资助

国家自然科学基金项目（62372462）；湖南省科技创新计划项目（2024RC1044）

版权

收起

Distributed authentication technology for UAV swarms based on multi-module PUF feature extraction

Li Zhiqiang ,
Huang Xin ,
Li Sudan ^,* ,
Han Biao

Expand

College of Computer Science and Technology, National University of Defense Technology, Changsha 410073, China

Online published: 2025-09-29

Copyright

Fold

摘要

随着无人机集群在应急响应、智能侦察与协同作战等领域的广泛应用，其身份认证技术面临通信链路暴露、计算复杂度高、伪冒欺骗攻击等多重挑战。基于物理不可克隆函数（physical unclonable function，PUF）硬件指纹特征的身份认证技术，利用芯片制造过程中微结构的随机性生成唯一且不可复制的响应，实现无需存储密钥、无需依赖外部可信根、资源开销低、响应实时生成的轻量化身份认证。但其需依赖额外硬件或侵入式操作，无法直接应用于通用小微型无人机平台。针对以上挑战，本文面向通用小微型无人机平台，提出一种多模块物理熵源协同PUF生成方法，该方法充分利用无人机机载的模数转换器、脉宽调制器、实时时钟、浮点运算单元等硬件模块作为物理熵源输入，结合跨层残差连接的自监督特征融合编码器，提取各硬件模块中的稳定特征，通过残差通路保留各熵源的关键辨识信息，生成具有稳定性和区分性的挑战—响应对，该方法能有效缓解单模块PUF稳定性不足、熵强度偏低和抗建模攻击能力有限等问题；针对传统认证方案依赖中心节点、易受单点故障影响的问题，本文设计一种基于扩展挑战—响应对的分布式身份认证协议，该协议以PUF响应所提供的唯一性与不可克隆性为信任基础，实现无人机节点间点对点的去中心化身份认证。实验结果表明，本文提出的PUF生成方法在抵御机器学习建模攻击方面表现优异，显著优于传统PUF方案；随后基于Dolev-Yao攻击模型，利用形式化验证工具Scyther对所提基于PUF的分布式身份认证协议进行建模与分析。结果表明，在多轮攻击模拟下，该认证协议未出现任何可行的攻击路径。

关键词： 物理不可克隆函数; 安全认证; 无人机集群; 融合编码器; 机器学习攻击

本文引用格式

李志强 , 黄鑫 , 郦苏丹 , 韩彪 . 基于多模块PUF特征提取的无人机集群分布式认证技术[J]. 网络空间安全科学学报, 2026 , 4(1) : 80 -91 . DOI: 10.20172/j.issn.2097-3136.250922

Abstract

With the widespread application of unmanned aerial vehicle (UAV) swarms in emergency response, intelligent reconnaissance, and collaborative operations, identity authentication technologies face critical challenges such as communication link exposure, high computational complexity, and spoofing attacks. To address these issues, this paper proposes a multi-module entropy-cooperative PUF (physical unclonable function) generation method tailored for general-purpose micro-UAV platforms. The method fully leverages onboard hardware components—including analog-to-digital converters (ADC), pulse-width modulators (PWM), real-time clocks (RTC), and floating-point units (FPU)—as physical entropy sources. A self-supervised feature fusion encoder with cross-layer residual connections is employed to extract stable features from each module while preserving critical identification information through residual pathways. This design generates challenge-response pairs (CRP) with good stability and distinguishability, effectively mitigating the instability, low entropy strength, and limited anti-modeling attack capability of single-module PUF. In addition, this paper designs a decentralized identity authentication protocol based on extended CRP to overcome the reliance on central nodes and the risk of single points of failure. Experimental results show that the proposed PUF generation method significantly outperforms traditional PUF schemes in resisting machine learning-based modeling attacks. Formal analysis under the Dolev-Yao attack model using the Scyther tool further validates the security of the proposed distributed authentication protocol, revealing no feasible attack paths in multiple attack simulations. This work provides a lightweight authentication solution that enables secure, decentralized identity verification for UAV swarms, which is compatible with general micro-UAV hardware platforms.

Key words： physical unclonable function (PUF); security authentication; UAV swarm; fusion encoder; machine learning attack

0 引言

无人机（unmanned aerial vehicle，UAV）集群充分利用小微型无人机平台低成本、功能丰富、组网灵活等特性，以网络化协同控制为基础、以提升协同任务能力为目标，在环境监测、应急响应、灾害救援、物流运输和军事侦察等领域发挥着越来越重要的作用^[1]。相较于单体无人机系统，集群模式通过多机协同可突破单体在任务覆盖范围、执行效率及系统容错性方面的固有局限。研究表明，在相同任务场景下，50个节点规模的无人机集群可将监测覆盖率提升至单体系统的3.2倍，同时降低28%的能耗^[2]。这种协同增效特性使无人机集群成为构建未来空基物联网的核心技术范式。

稳健安全的通信网络是支撑无人机集群协同运行的核心技术。然而，由于通信链路暴露在开放无线环境中，集群结构高度动态，其传输的数据极易遭受截获、篡改和重放等安全威胁。随着低空经济的兴起及无人机集群智能化水平的持续提升，现有无人机网络对高安全性、高协同性与自主认证能力提出了更高要求^[3]。传统认证机制在面对动态节点、空地协同及高频通信等复杂场景时，已暴露出明显瓶颈。在此背景下，身份认证作为保障系统安全的第一道防线，亟须可靠性与低资源消耗之间取得平衡。当前大多数无人机集群的认证方案主要依赖传统的密码学方法，例如对称加密^[4]、公钥基础设施（public key infrastructure，PKI）^[5]等。对称加密虽然具备较低的计算开销，但在大规模集群中面临密钥分发、更新与信任管理复杂的挑战。一旦某一节点的密钥遭到泄露，整个信任体系可能陷入崩溃，暴露出严重的系统性风险。相较之下，PKI等基于非对称加密的方案尽管在安全性上更为稳固，但其计算复杂度高、密钥管理开销大，难以满足无人机对低功耗、实时性和快速部署的要求。在异构、动态且能耗敏感的无人机集群环境中，这类方案的高计算与通信成本会显著限制系统的实时响应能力，并影响任务的持续执行与整体运行稳定性。这些方案普遍依赖密钥存储或预置凭据，缺乏与设备硬件实体的强绑定能力，难以抵御克隆攻击、重放攻击以及基于机器学习的建模攻击等高级威胁。与此同时，现有认证系统^[6-8]普遍依赖中心化的信任实体（如地面控制站或云服务器），一旦中心节点发生故障或遭受攻击，将导致整个系统身份管理失效，存在明显的单点故障风险。这种集中式架构不仅难以满足无人机在战场、灾后等缺乏基础通信设施环境中的独立认证需求，也易遭受重放、窃听、内部人攻击和中间人攻击等多种安全威胁。一旦认证机制失效，攻击者可能伪造身份、劫持节点、注入恶意任务指令，造成任务失败甚至系统崩溃。

鉴于传统认证方案在资源受限和动态环境中存在的诸多局限，近年来，物理不可克隆函数（physical unclonable function，PUF）^[9]作为一种新型的轻量级认证方案被广泛关注。PUF通过捕捉芯片制造过程中的微小工艺波动，为每个设备提供天然、唯一、不可预测的物理指纹，无需存储密钥或依赖外部信任根，即可实现端侧身份绑定与认证。PUF技术已在多种嵌入式和物联网安全领域得到验证与应用：在车载系统中^[10]，PUF被用于控制器身份绑定与访问控制；在工业物联网中^[11]，用于边缘设备的可信启动与远程认证；在可穿戴和医疗设备中^[12]，PUF则用于确保生物传感器的唯一性与数据采集源的不可伪造性。这些应用场景均展现出PUF在安全性、轻量性和物理唯一性方面的显著优势，也为其在无人机集群认证中的应用与实现提供了依据。但这类方案大多面向静态或低动态环境，且普遍依赖中心化信任架构与较复杂的交互设计，难以直接迁移至高动态、低功耗的无人机集群场景。一方面，现有的基于PUF的认证协议通常依赖地面控制站或云平台完成注册与认证过程，在无人机集群任务中面临通信不稳定、节点频繁变动等问题时，容易引发认证中断或安全盲区^[13]。另一方面，部分PUF认证协议在计算与存储消耗方面仍不够轻量，难以适应微型无人机平台对低资源开销的严格约束。

尽管PUF已经展现出独特安全优势，但传统PUF挑战—响应对（challenge-response pair，CRP）的生成方式仍面临诸多限制，难以直接应用于小微型无人机集群场景。主流PUF类型（如环形振荡器PUF^[14]）通常需在芯片制造阶段嵌入专用电路，依赖特定的硬件模块，而现有大多数小微型无人机平台采用的是通用的微控制器，难以支持定制级硬件改造。以微软Azure Sphere^[15]为例，其安全架构依赖专门的信任根与附加硅层实现PUF功能，这在成本和兼容性上难以适配现有无人机系统，且在不同无人机平台间的通用性与可迁移性不足。此外，一些PUF（如静态随机存取存储器PUF（SRAM PUF）^[16]）特征提取要求系统重启以采集上电状态，具有较强的侵入性，难以适应飞行过程中的在线认证需求。传统PUF还普遍存在对环境扰动（如温度、电压波动）高度敏感的问题^[17]，这会导致响应比特发生翻转，影响其稳定性与可重复性，进而降低身份认证的可靠性。在无人机运行环境不稳定的场景中，这种敏感性将显著增加认证失败的风险。许多传统PUF的挑战—响应对空间受限于其底层电路结构，在面积受限的嵌入式系统中难以扩展^[18]，难以支撑无人机集群中高频次、大并发的身份认证需求。与此同时，已有研究表明，攻击者可利用大量CRP样本构建机器学习模型（如支持向量机（SVM）^[19]、随机森林^[20]等）对PUF行为进行建模，从而发起高成功率的建模攻击，进一步削弱其安全性。

为克服传统PUF依赖专用电路、难以应用于通用无人机平台、易受机器学习建模攻击等问题，本文面向资源受限的小微型无人机平台，设计了一种多模块物理熵源协同PUF生成方法。不同于传统PUF需要集成专用硬件结构的设计思路，本方法充分利用无人机平台中普遍配置的通用硬件模块（如模数转换器（ADC）、数模转换器（DAC）、脉宽调制器（PWM）、实时时钟（RTC）等）作为物理熵源，以非侵入性方式在现有微控制器架构内构建PUF特征提取通路，从而避免了定制硬件改造所带来的成本与兼容性问题。该方法主要思路如下：①针对单一模块PUF在环境扰动下稳定性不足、响应结构性强且易被机器学习模型建模的问题，系统采用多次采样与统计特征提取机制构建初始多源响应矩阵，并将其输入至基于跨层残差结构的改进型自编码器模型进行深度融合建模；②在该模型自监督重建训练过程中，通过跨层语义信息传递缓解深层特征抽象下的信息退化问题，提升高阶特征表达的完整性与判别能力，从而有效解决了深层语义特征融合过程中的辨识性退化与模糊表征问题；③训练收敛后，系统提取编码器末层嵌入特征向量作为融合PUF响应输出，相较于传统单模块PUF挑战—响应对提取方法，本方法在熵强度、环境稳健性与抗机器学习建模攻击能力方面均表现出显著优势。

基于上述融合PUF方法可获得高稳定性与高区分度的特征表达，然而，随着无人机集群规模的扩大与任务协同的复杂化，传统依赖中心节点或预共享密钥的身份认证机制在实际应用中暴露出诸多问题，如难以适应节点频繁动态变化、通信链路不稳定，以及中心节点失效所带来的认证中断与安全隐患。为应对上述挑战，本文进一步设计了面向无人机集群的分布式身份认证协议，利用融合PUF响应在物理空间唯一性与抗伪造能力上的优势，引入扩展挑战—响应对（extended challenge-response pair，eCRP）机制，实现集群节点间的去中心化身份协商与动态信任建立。协议分为注册和认证两个阶段：在注册阶段，每架无人机基于其本地多模块PUF响应构建扩展挑战—响应对，并通过互发挑战与嵌套响应，与邻近节点建立一对一的物理身份绑定关系；在认证阶段，节点无需依赖地面控制站或集中信任根，即可通过验证对方响应是否与先前注册的PUF特征匹配，完成去中心化的身份认证与密钥协商。

1 相关研究

1.1 物理不可克隆函数

物理不可克隆函数利用半导体制造过程中固有的微小工艺差异，为每个集成电路（integrated circuit，IC）赋予了独特的“指纹”。即使在相同工艺条件和设计规范下生产的芯片，其内部晶体管在尺寸、阈值电压和电气特性等方面仍可能存在微小差异。这些细微但无法避免的差异使得每个晶体管都具备唯一性，进而形成整个芯片的物理唯一性。近年来，已有研究广泛应用PUF来识别集成电路，通过无线通信模块、SRAM单元、环形振荡器等器件提取PUF响应，生成高安全性的密钥。由于PUF的物理不可重复性，即使攻击者将IC完整复制，也无法精确还原PUF响应，从而实现了抗克隆能力与密钥不可复制性。

PUF的核心机制是挑战—响应对^[9]的生成。以典型的PUF实现架构——仲裁器PUF^[21]响应—挑战对提取方式为例，其架构如图1所示，主要由n级级联的路径选择器（Multiplexer，MUX）与一个末端仲裁器构成。系统在接收输入挑战信号C后，将C作为各级路径选择器的控制输入，控制输入信号沿不同路径传递。输入信号在公共输入端分为上下两路，分别通过路径选择网络传输至仲裁器。虽然两条传输路径在电路设计上结构相同，但由于每条路径实际累积的传播时延存在不可预测的微小差异，仲裁器最终根据两路信号到达顺序判定并输出各自唯一的响应R，从而形成对应于挑战输入C的唯一PUF响应。

显示原图|下载原图ZIP|生成PPT

图 1 基于仲裁器的PUF架构

Fig.1 Architectural of arbiter PUF

根据所提取物理特性的来源，PUF大体可以分为3类：非电子类、模拟电路类和数字电路类。

非电子类PUF利用的物理信息并非源自电子信号，而是源于某些非电子的物理属性。例如光学PUF^[22]基于光学材料的随机散射效应生成唯一性响应；CD PUF^[23]则利用光盘表面平整度的微小随机性；模拟电路类PUF依赖于电子元件的模拟特性，如电压、电容、电阻等与电信号相关的物理参数来生成响应，典型类型包括Coating PUF^[24]、基于阈值电压的PUF^[25]及电流镜PUF^[26]等。数字电路PUF则通过特定的逻辑电路实现，直接将芯片制造过程中的工艺偏差转化为二进制响应序列。数字电路PUF不仅便于集成与调用，而且具备较高的响应速度与应用灵活性，因而成为当前PUF领域发展最快、研究最为活跃的分支，在安全认证与密钥生成等领域展现出较大潜力。

数字电路PUF根据其随机性来源的不同，可以进一步分为基于静态随机性的PUF与基于动态随机性的PUF。典型的静态随机性PUF包括SRAM PUF^[27]和Butterfly PUF^[28]等。这类PUF通常依托芯片内部的存储器结构，利用静态随机存储器单元间微小的制造工艺偏差生成唯一且不可复制的响应。在双稳态存储结构中，单元在上电初始化时短暂处于非稳定态，随后由于器件本身的物理偏向性，最终自发稳定到“0”或“1”的特定状态。由于SRAM在大多数主流芯片中作为基础存储单元被广泛集成，SRAM PUF已成为目前商业化应用最广泛的PUF方案之一。基于动态随机性的PUF则通过利用数字电路中动态特性的不可预测性来生成唯一响应。代表性的结构包括环形振荡器PUF（RO PUF）^[14]与仲裁器PUF^[21]。这类PUF多依赖于信号在电路中传输时延的微小差异，制造工艺不可避免的偏差及环境噪声的影响，导致同一设计在不同芯片上的延时特性具备高度随机性。例如，RO PUF利用多个环形振荡器频率或相位上的微小差异实现唯一性，而APUF则通过对信号在多条并行路径上传播时延的对比来产生响应。

针对传统单模块PUF在抗干扰性和熵强度方面的局限，Vaidya等^[29]提出了IoT-ID系统，基于时钟振荡器与模数转换器构建非侵入式PUF特征，在无需额外硬件支持的条件下，利用设备内部工艺差异生成唯一标识符。该方法通过融合多个商用现成组件（如时钟振荡器与ADC）的物理特征构建PUF响应，在一定程度上提高了识别性能。然而，其特征提取过程主要依赖低维度的统计指标，未深入挖掘多源熵之间的高阶语义关联，也未引入更多异构熵源，整体抗建模攻击能力仍有限。

1.2 基于PUF的身份认证技术

近年来，PUF因其物理唯一性、轻量级特性和对物理攻击的抵抗特性，已成为物联网、无线传感器网络、智能电网等领域用于实现安全的身份认证和密钥协商的关键技术。针对传统密钥存储易泄露、设备资源受限、难以执行高强度密码学运算的问题，已有研究提出了多种基于PUF的认证协议，这些协议能够有效增强设备的安全性和认证唯一性。Xiao等^[30]提出基于Chebyshev混沌映射与PUF的三因子认证协议，通过融合智能卡、密码和生物特征，有效提升了数字图书馆等场景下的认证强度和抗攻击能力。该方案还利用PUF保护存储数据，显著增强了物理安全性，并通过形式化验证工具Scyther和形式化分析验证了协议的抗重放、抗物理窃取等多种攻击的能力。Nurkifli等^[31]则聚焦于全球移动网络与物联网场景，提出融合PUF与生物特征的认证协议，实现了强匿名性、设备不可克隆性和拒绝服务（denial of service，DoS）攻击。该协议利用PUF和生物信息生成认证凭证，结合伪身份定期更新，有效抵御克隆、冒充、会话密钥泄露等威胁，提升了协议在动态、开放环境下的安全性和可用性。针对云—边—端协同的IoT架构，Chen等^[32]提出了一种无主密钥、PUF驱动的认证与密钥协商协议，在终端侧通过PUF与模糊提取器获取高熵认证凭证，并设计反向模糊提取机制将复杂计算移至边缘侧，极大减轻了终端计算与存储开销。通过形式化分析和仿真实验，验证了与传统椭圆曲线密码（elliptic curve cryptography，ECC）类方案相比，该协议在抗主动/被动攻击、效率与资源消耗方面的优势。

当前多数PUF认证协议在认证架构设计上普遍依赖中心化管理机制，需借助云服务器、地面控制站或可信边缘网关完成身份注册、同步与认证交互^[33]。一旦中心节点失效或遭受攻击，将导致系统性认证失效，缺乏对高动态、去中心化自组织组网环境的良好适应性^[34]。同时，部分融合PUF认证协议在多因子嵌套、复杂交互设计下仍存在一定的计算、通信与存储资源消耗^[35]，这就限制了其在轻量化无人机平台与微型嵌入式终端中的工程可用性。

2 多模块PUF协同提取方法

2.1 基于通用硬件模块的PUF提取方法

传统PUF设计通常依赖芯片制造过程中的不可控工艺波动，在硬件设计阶段集成专用电路逻辑，如时延链、振荡器阵列或存储阵列等。这类架构不仅增加了系统硬件复杂度与制造成本，也在资源受限场景下限制了其应用普及性。针对以上挑战，本文面向无人机集群领域提出了一种基于通用硬件模块的轻量级PUF特征提取方法，以提升硬件适配性与部署灵活性。区别于传统依赖专用电路的设计思路，该方法充分挖掘无人机平台中广泛集成的ADC、DAC、PWM、RTC以及浮点运算单元（floating-point unit，FPU）等通用硬件模块资源，无需额外电路逻辑改造，即可完成PUF物理熵源特征的提取。

在实际无人机平台中，Pixhawk飞控系统普遍采用STM32F4/F7/H7系列微控制器，内部集成有多通道ADC、PWM控制接口、RTC模块及硬件FPU；u-blox NEO-M8N等GPS模块可提供高稳定性的RTC参考时钟，电调与接收器则通过PWM信号完成控制指令的传递。这些广泛存在的硬件模块为PUF特征提取提供了丰富的熵源支撑。

针对ADC与DAC模块，本文实现了一种基于数字—模拟—数字回环路径的PUF响应生成方法。将输入数字信号作为挑战，经DAC模块转换为模拟电压后反馈至ADC进行重采样与量化，最终输出PUF响应。尽管该转换通路在理想条件下呈线性映射，但受限于芯片内部的增益误差、失调电压、量化非线性与参考电压漂移等制造偏差，即便在相同挑战输入下，不同芯片仍可产生具备区分性的响应特征，从而形成有效的PUF映射。

针对浮点运算单元内部微结构差异，本文实现了基于Mandelbrot集合迭代计算任务的响应生成方法。以特定迭代次数所消耗的系统时间作为PUF响应值，由于FPU内部浮点运算路径调度、硬件流水线架构及舍入误差等存在微小差异，不同芯片即便在相同输入条件下，执行时间仍表现出显著的设备特异性，进而形成稳定且难以被机器学习建模的PUF响应特征。

针对PWM模块，通过设定PWM信号的频率、占空比与分辨率参数，产生周期性稳定的PWM输出波形。随后利用ADC模块对PWM输出电压进行多周期连续采样与实时监测，在测量阶段累计各周期的采样值，最终形成反映PWM驱动电路与负载通路制造微差异的特征响应向量。

针对RTC模块，设计了联合RTC计数与系统滴答计数（system tick，SysTick）测量的时序特征提取机制。在RTC稳定工作后启动测量，记录当前高分辨率SysTick计数，等待RTC计数达到预设跳变次数后再次读取SysTick计数，两次读数的差值即为最终测量结果。该时序差值反映了芯片内部对RTC振荡频率的微观感知差异，可作为设备在时钟域上的物理身份特征。

2.2 基于多源协同机制的PUF响应生成方法

尽管ADC、PWM、RTC、FPU等硬件模块均可独立用于提取设备指纹特征并构建PUF响应，但在实际应用中，单模块PUF仍存在熵值受限、环境敏感性强以及抗建模能力不足等问题。由于各模块内部物理差异的可观测维度有限，其输入输出空间往往较小，无法提供足够的随机性和唯一性，难以满足大规模身份认证系统对高熵、高分辨率指纹的需求^[36]。许多单一PUF实现（如基于时延、功耗或模拟噪声的PUF）在面对机器学习攻击时，其响应呈现可预测性和结构性规律，容易被支持向量机、深度神经网络（deep neural network，DNN）等建模算法成功逼近，从而面临响应泄露与身份伪造的风险^[37]。

为应对上述挑战，本文提出一种基于多源协同机制的PUF响应生成方法，通过集成ADC、PWM、RTC、FPU等多个通用硬件模块的物理响应，在确保量化特性的同时，有效提升了熵强度、鲁棒性与安全性，核心思想是在统一特征空间内对异构模块的响应进行深度融合建模。

基于多源协同机制的PUF响应生成方法示意如图2所示，接收输入挑战并通过挑战映射模块，将该挑战映射至ADC-DAC、PWM、RTC和FPU 4类通用硬件模块上，分别生成初始PUF响应

$ {R}_{1},{R}_{2}, {R}_{3},{R}_{4}\in {R}^{12} $

。每个模块响应均由8次采样值与4个统计特征（中位数、均值、方差、标准差）组成。随后，4个模块响应向量拼接形成输入矩阵

$ {{\boldsymbol{R}}}_{{\mathrm{input}}}\in {R}^{1\times 48} $

，作为整体编码器的输入。

显示原图|下载原图ZIP|生成PPT

图 2 基于多源协同机制的PUF响应生成方法示意

Fig.2 Architecture of the multi-source collaborative PUF response generation method

在融合建模中，基础设计为直接采用典型的自动编码器（autoencoder，AE）作为特征融合学习器。然而，该典型AE结构在处理异构多源PUF响应时，其深层抽象过程易导致部分细粒度特征语义的缺失，限制了融合表征的完整性与判别能力。为应对该问题，本文构建了一种引入跨层残差连接的改进型AE结构，其整体架构与U-Net类似。该模型包含对称设计的编码器与解码器。编码器部分将d维输入依次映射至4个全连接层，维度依次变化为d→256→128→64→32。编码器部分包含4层全连接映射，其计算过程如下：

(1)

$ {{E}}_{1}={\mathrm{ReLU}}({W}_{1}x+{b}_{1}) $

(2)

$ {{E}}_{2}={\mathrm{ReLU}}({W}_{2}{E}_{1}+{b}_{2}) $

(3)

$ {{E}}_{3}={\mathrm{ReLU}}({W}_{3}{E}_{2}+{b}_{3}) $

(4)

$ {{E}}_{4}={W}_{4}{E}_{3}+{b}_{4} $

在解码器部分，各层采用跨层残差加法操作，将对应编码器的中间嵌入向量直接与当前解码层的输入级联相加。例如，第二层解码输出可表示为

(5)

$ {D}_{2}={\mathrm{ReLU}}({\mathrm{Linear}}({D}_{3}+{E}_{3})) $

其中，E₃表示编码器第三层的中间输出，D₃为上一解码层的输出。通过该跨层融合机制，可在重构过程中有效保留各阶段抽象的特征信息，减缓信息退化问题，提升模型的重建能力与特征表达完整性。在训练阶段，由于整个模型执行的是自监督重建任务，采用均方误差（mean squared error，MSE）作为损失函数进行优化。

经验上，经过重复训练的模型在同设备多模块PUF响应上重建误差较小，而在非本设备多模块PUF响应的重建误差较大，从而为后续认证任务提供有效判别依据。完成编码器特征融合和降维后，系统直接将编码器最后一层的嵌入特征向量

$ {{\boldsymbol{E}}}_{4} $

作为融合响应

$ {R}_{{\mathrm{fused}}} $

。该融合向量在重建训练过程中已有效融合了来自各硬件模块的高阶语义特征，并隐式学习了各模块特征在整体指纹表征中的贡献关系，无需额外引入注意力机制或加权映射，即可作为最终融合PUF响应应用于身份认证任务。该融合策略在兼顾模型简洁性与判别能力的同时，提升了系统在复杂环境下的稳定性与鲁棒性。

相较于传统单一模块PUF依赖单源物理差异，易受环境扰动与机器学习建模攻击影响，本文所提出的基于多源协同机制的PUF响应生成方法在稳定性、区分性与安全性方面展现出明显优势。一方面，通过整合ADC、DAC、PWM、RTC与FPU等多类异构通用硬件模块，有效提升了整体熵强度与特征复杂性，降低了特征被机器学习算法学习与拟合的风险。另一方面，模块间的物理独立性使该方法在环境干扰与设备老化条件下仍可通过特征冗余实现响应稳健性增强，显著改善了传统PUF在高动态、资源受限无人机平台上的适用性。同时，融合PUF特征为后续去中心化认证协议提供了高可信度的物理身份指纹，支撑无人机集群在复杂环境下实现自主安全认证与密钥协商。

3 基于PUF的无人机集群分布式认证框架

为提升认证系统的实用性和去中心化特性，本文在多源协同PUF构建基础上，将其输出响应作为节点身份认证的动态指纹，进一步结合扩展挑战—响应对机制，设计了一种不依赖地面控制站的分布式身份认证方案。具体而言，系统在认证阶段以挑战向量C输入协同PUF系统，输出高维响应指纹R=PUF(C)，并结合环境扰动校正机制，确保响应在不同节点或环境下的稳定性与一致性。该PUF响应随后作为节点身份绑定的基础凭证，通过eCRP机制与邻近无人机建立临时共享口令或会话密钥，实现集群内的点对点认证。

3.1 注册阶段

为实现无人机集群中的点对点去中心化身份绑定，本文设计了一种基于嵌套PUF组合响应的注册机制，流程如图3所示。以无人机A和无人机B为例，该机制基于两个参与方

$ {\mathrm{UA{V}}}_{A} $

与

$ {\mathrm{UA{V}}}_{B} $

物理不可克隆函数，构建交叉计算的响应值，并最终形成扩展挑战—响应对，以支持后续认证阶段。认证阶段流程如图4所示。首先，无人机

${\mathrm{ UA{V}}}_{A} $

生成随机的挑战

$ x_{1}^{A},x_{2}^{A} $

且，然后使用本身的PUF函数计算响应

$ {\theta }_{A}(x_{1}^{A}) $

和

$ {\theta }_{A}(x_{2}^{A}) $

，无人机

$ {\mathrm{UA{V}}}_{B} $

执行相同操作计算出响应

$ {\theta }_{B}(x_{1}^{B}) $

和

$ {\theta }_{B}(x_{2}^{B}) $

。这些计算出的响应分别发给另一方作为新的挑战。

$ {\mathrm{UA{V}}}_{A} $

在收到

$ {\mathrm{UA{V}}}_{B} $

计算的响应后，将响应

$ {\theta }_{B}(x_{1}^{B}) $

和

$ {\theta }_{B}(x_{2}^{B}) $

作为挑战并利用自身的PUF函数计算新的响应值，即

$ {\theta }_{A}({\theta }_{B}(x_{1}^{B})) $

和

$ {\theta }_{A}({\theta }_{B}(x_{2}^{B})) $

，

$ {\mathrm{UA{V}}}_{B} $

执行相同操作。最终，

$ {\mathrm{UA{V}}}_{A} $

与

$ {\mathrm{UA{V}}}_{B} $

利用这两个计算出的响应值，按照公式(6)和公式(7)计算出

$ {\varepsilon }^{A} $

和

$ {\varepsilon }^{B} $

：

显示原图|下载原图ZIP|生成PPT

图 3 无人机A和无人机B注册阶段流程

Fig.3 Process of registration phase between UAV A and UAV B

显示原图|下载原图ZIP|生成PPT

图 4 无人机A和无人机B认证阶段流程

Fig.4 Process of authentication phase between UAV A and UAV B

(6)

$ {\varepsilon }^{{A}}={\theta }_{{A}}({\theta }_{{B}}(x_{1}^{{B}}))\oplus {\theta }_{{A}}({\theta }_{{B}}(x_{2}^{{B}})) $

(7)

$ {\varepsilon }^{{B}}={\theta }_{{B}}({\theta }_{{A}}(x_{1}^{{A}}))\oplus {\theta }_{{B}}({\theta }_{{A}}(x_{2}^{{A}})) $

接下来，无人机

$ {\mathrm{UA{V}}}_{A} $

和

$ {\mathrm{UA{V}}}_{B} $

将

$ {\varepsilon }^{A} $

和

$ {\varepsilon }^{B} $

发送给对方，并利用这些数据构造拓展挑战—响应对并保存在自己的内存中，

$ {\mathrm{UA{V}}}_{A} $

和

$ {\mathrm{UA{V}}}_{B} $

在自身存储空间保存的eCRP的定义如式(8)和(9)所示：

(8)

$ {\tau }_{A}({\mathrm{UA{V}}}_{A})=\{{\mathrm{i{d}}}_{A},{\mathrm{i{d}}}_{B},x_{1}^{A},x_{2}^{A},{\varepsilon }^{B}\} $

(9)

$ {\tau }_{\text{B}}({\mathrm{UA{V}}}_{\text{A}})=\{{\mathrm{i{d}}}_{\text{A}},{\mathrm{i{d}}}_{\mathrm{B}},x_{1}^{\textit{B}},x_{2}^{\text{B}},{\varepsilon }^{\text{A}}\} $

至此，完成注册阶段。每架无人机均在本地生成并存储了对方身份标识与对应嵌套PUF计算结果绑定的eCRP数据结构，为认证阶段提供不可伪造的验证依据。

3.2 认证阶段

Step1　无人机

$ {\mathrm{UA{V}}}_{A} $

在向

$ {\mathrm{UA{V}}}_{B} $

发起认证请求时，从本地存储的与

$ {\mathrm{UA{V}}}_{B} $

4 实验验证与安全评估

4.1 实验设置

为验证所提出的基于多源协同机制的PUF响应生成方法在实际嵌入式平台中的性能表现，本文基于ESP32开发板搭建实验平台，尽管ESP32并非直接部署于无人机平台，但其集成的ADC、DAC、PWM、RTC、FPU等模块与当前商用微型无人机所采用的飞控芯片在硬件功能上高度一致，具备较高的通用性与物理特征可采性，适合作为PUF响应提取的熵源输入。在实验过程中，本文选取8块同一厂商同一批次的ESP32开发板，在固定环境条件（室温25 ℃、电压稳定在3.3 V）下对多个挑战向量进行重复采样。为了模拟真实部署中可能面临的安全威胁，本文进一步设置了机器学习攻击环境，构建不同规模的训练集（CRP样本量分别为2×10⁴、4×10⁴、6×10⁴、8×10⁴、1×10⁵），用于训练攻击者所使用的建模模型。同时，为检验方案在身份认证协议中的可用性，还构建了一个典型的无人机对等通信认证场景，并借助形式化验证工具Scyther对整个协议流程进行安全性建模与自动验证，评估其在Dolev-Yao攻击模型下的鲁棒性与可信度。

4.2 基于多源协同机制的PUF响应生成方法评估

图5所示为基于单模块PUF响应的概率密度分布曲线，各设备在相同挑战输入下基于RTC模块独立生成PUF响应，图中横轴表示响应值，纵轴为经核密度估计（KDE）归一化后的概率密度。每条曲线代表一台设备的响应分布，采用不同颜色区分不同设备。可观察到传统基于单模块构建的PUF响应方法在多个设备之间存在明显的分布重叠，部分响应密度曲线呈现较宽的展布和不稳定的峰值漂移。这种特征说明该类型PUF在唯一性和稳定性方面存在一定不足，设备间响应区分度不足，且同一设备在多次采样下的响应分布轮廓不够集中，易受温度、电压等环境扰动影响。

显示原图|下载原图ZIP|生成PPT

图 5 基于单模块PUF响应的概率密度分布曲线

Fig.5 Probability density distribution curve of PUF responses based on single module

图6展示了基于多源协同机制的PUF响应的概率密度分布曲线。从图中可观察到，不同设备的响应分布明显错开，分布峰值之间具有良好的区分性，说明基于多源协同机制的PUF响应生成方法具有较强的唯一性，可有效区分不同物理个体。此外，单个设备的分布曲线呈现集中且尖锐的特征，说明在多次测量下其响应值稳定，具有良好的鲁棒性和一致性。该结果验证了基于ADC、PWM、RTC与FPU多源协同机制生成PUF响应的有效性。

显示原图|下载原图ZIP|生成PPT

图 6 基于多源协同机制的PUF响应的概率密度分布曲线

Fig.6 Probability density distribution curve of PUF responses based on multi-source collaboration mechanism

为系统性评估所提出基于多源协同机制的PUF响应生成方法在抵抗机器学习建模攻击方面的有效性，本文设计了基于极端随机森林模型的建模攻击对比实验，并选取3种典型传统PUF架构（SRAM-PUF、XOR-PUF、IPUF）作为对比基准。针对每种PUF结构，本文在不同训练样本规模下（CRP样本量分别为2×10⁴，4×10⁴，6×10⁴，8×10⁴，1×10⁵）训练极端随机森林模型，并在独立的1000组测试集上评估模型的预测准确率。攻击模型超参数统一设置为：树数量100棵、无最大深度限制，并采用全特征维度扫描方式，确保模型拟合能力充足。为消除样本噪声与训练波动对实验结果的影响，每组实验均独立重复10次，取平均值作为最终实验结果。实验中，每类PUF在不同CRP规模下分别训练攻击模型，结果如图7所示。从图7可观察到，传统PUF在CRP样本量超过2×10⁴时预测准确率迅速上升，表明其特征易被建模捕获。而本文提出的基于多源协同机制的PUF响应生成方法，在整个攻击过程中建模攻击成功率始终维持在较低水平（约0.5~0.55），体现出更优的抗建模攻击能力。

显示原图|下载原图ZIP|生成PPT

图 7 极端随机森林进行机器学习攻击结果

Fig.7 Results of machine learning attacks using the extremely randomized forest algorithm

4.3 基于PUF的无人机集群安全认证框架

4.3.1 安全性分析

为验证所设计的轻量级无人机集群认证协议在实际通信环境中的安全性，本文首先利用形式化安全协议验证工具Scyther对该协议进行建模与安全性分析。Scyther是一种用于形式化验证通信协议安全性的工具，尤其适用于分析密码学协议（如身份认证协议、密钥交换协议等），可自动化检测协议中的安全漏洞。它基于符号方法对协议进行自动化分析，可用于形式化分析安全协议的安全需求及潜在漏洞。本文在Scyther中实现了身份注册和认证的过程，其中，运行次数设置为5，匹配模式设置为“查找所有类型缺陷”，搜索修剪设置为“查找所有攻击”，每个声明的最大模式数设为10。图8显示了Scyther形式化安全分析结果，未发现可行攻击路径，所有声明均通过验证，说明本文所提出的基于融合PUF的认证机制在Dolev-Yao攻击模型下具备良好的抗攻击能力。

显示原图|下载原图ZIP|生成PPT

图 8 Scyther形式化安全分析结果

Fig.8 Scyther formalized security analysis results

在非形式化分析部分，采用密码学安全性分析方法如下：①通过在挑战输入中引入双重嵌套计算与随机扰动哈希函数，即便攻击者收集大量认证交互数据，也难以通过准确建模预测PUF响应；②认证过程中引入新鲜性随机数与本地认证日志，可有效防止历史消息的重放利用；同时，高维度PUF响应输出结合大位宽哈希设计显著提升暴力破解难度；③认证消息中PUF响应与随机数的强绑定机制，确保中间人即使截获认证数据，也无法篡改或伪造合法认证请求，从而全面提升了系统在动态无人机集群环境下的安全性与实用性。

4.3.2 性能分析

为进一步验证所提协议的性能优势，本文在ESP32平台上对认证过程中的执行时间与通信开销进行了实测，并与传统公钥基础设施认证方案进行了对比分析。

在执行效率方面，本文协议基于本地PUF响应与哈希计算完成认证操作，实验测得单次认证过程平均用时约为82.7 ms（不含网络传输时延），远低于传统PKI方案中以椭圆曲线密码或RSA（Rivest-Shamir-Adleman）为基础的身份认证过程（ESP32平台上实测ECC-256位签名/验证操作需耗时约220~280 ms，RSA-1024验证操作需耗时500 ms以上）。

在通信开销方面，所提协议通过嵌入PUF响应与哈希摘要构建挑战—响应结构，认证交互过程中单轮通信数据量为256~384 byte，在实际测试中表现出良好的稳定性与低带宽适应性。相比之下，典型PKI认证方案中，包含完整证书链、公钥、签名等结构的认证消息长度通常超过1 KB，难以长期支撑带宽受限或高频认证的场景。

5 结束语

本文针对无人机集群在开放环境下身份认证所面临的高动态性、资源受限与安全威胁等问题，提出了一种基于多模块通用硬件熵源的PUF响应生成方法，结合自监督特征融合机制实现多源物理特征的深度建模。该方法充分利用ADC、PWM、RTC、FPU等现有硬件模块作为异构物理熵源，避免了额外的专用电路改造所带来的系统开销，并通过引入跨层残差结构的融合编码器显著提升了响应的稳定性、唯一性与抗建模攻击能力。实验结果显示，该方法在机器学习攻击下保持较低建模成功率（50%~55%），在响应分布的可区分性和一致性方面表现优异，体现出良好的身份识别性能与安全性。

在认证机制设计方面，本文引入了拓展挑战—响应对，构建了一种基于扩展挑战—响应对的分布式身份认证协议，使无人机节点能够在不依赖中心化信任实体的情况下实现点对点安全认证。形式化验证结果表明，该协议在Dolev-Yao攻击模型下具有较强的安全鲁棒性。然而，该协议在实现过程中仍面临一定的扩展性瓶颈，尤其在大规模集群部署中，每个节点需存储多个邻居的eCRP数据，导致存储需求随网络规模线性增长，限制了系统在超大规模动态网络中的实用性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Abualigah L, Diabat A, Sumari P, et al. Applications, deployments, and integration of Internet of drones （IoD）: a review[J]. IEEE Sensors Journal, 2021, 21 (22): 25532- 25546.

2	Hoang M O, Grøntved K A R, Van B N, et al. Drone swarms to support search and rescue operations: opportunities and challenges[M]//Dunstan B J, Koh J T, Turnbull D, et al. Cultural Robotics: Social Robots and Their Emergent Cultural Ecologies. Cham: Springer International Publishing, 2023: 163-176

3	王云涛, 苏洲, 邓毅, 等. 无人机网络安全综述[J]. 网络空间安全科学学报, 2025, 3 (1): 2- 18. DOI Wang Y T, Su Z, Deng Y, et al. A survey of security for unmanned aerial vehicle networks[J]. Journal of Cybersecurity, 2025, 3 (1): 2- 18. DOI

4	Alenezi M N, Alabdulrazzaq H, Mohammad N Q. Symmetric encryption algorithms: review and evaluation study[J]. Journal of Computer Science, 2020, 12 (2): 176- 183.

5	Kim T H, Huang L S, Perrig A, et al. Accountable key infrastructure (AKI): a proposal for a public-key validation infrastructure[C]//Proceedings of the 22nd International Conference on World Wide Web. New York: ACM, 2013: 679-690.

6	Chen L Q, Qian S J, Lim M, et al. An enhanced direct anonymous attestation scheme with mutual authentication for network-connected UAV communication systems[J]. China Communications, 2018, 15 (5): 61- 76. DOI

7	Ayuninggati T, Purnama Harahap E, Mulyati, et al. Supply chain management, certificate management at the transportation layer security in charge of security[J]. Blockchain Frontier Technology, 2022, 1 (1): 1- 12. DOI

8	Li C J, Sun X C, Zhang Z. Effective methods and performance analysis of a satellite network security mechanism based on blockchain technology[J]. IEEE Access, 2021, 9, 113558- 113565. DOI

9	Gao Y S, Al-sarawi S F, Abbott D. Physical unclonable functions[J]. Nature Electronics, 2020, 3 (2): 81- 91. DOI

10	Gade S, Chatterjee U, Mukhopadhyay D. PAKAMAC: a PUF-based keyless automotive entry system with mutual authentication[J]. Journal of Hardware and Systems Security, 2022, 6 (3/4): 67- 78. DOI

11	Zahoor A, Mahmood K, Shamshad S, et al. An access control scheme in IoT-enabled smart-grid systems using blockchain and PUF[J]. Internet of Things, 2023, 22, 100708. DOI

12	Wang W Z, Chen Q, Yin Z M, et al. Blockchain and PUF-based lightweight authentication protocol for wireless medical sensor networks[J]. IEEE Internet of Things Journal, 2022, 9 (11): 8883- 8891. DOI

13	He K Y, Ren Z. A new three-factor authentication scheme using chebyshev chaotic map for peer-to-peer Industrial Internet of Things[J]. Computer Networks, 2024, 247, 110450. DOI

14	Huang Z F, Bian J C, Lin Y K, et al. Design guidelines and feedback structure of ring oscillator PUF for performance improvement[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2024, 43 (1): 71- 84. DOI

15	The hardware security behind azure sphere[EB/OL]. [2025-06-24]. https://ieeexplore.ieee.org/abstract/document/8638527.

16	Baek S, Yu G H, Kim J, et al. A reconfigurable SRAM based CMOS PUF with challenge to response pairs[J]. IEEE Access, 2021, 9, 79947- 79960. DOI

17	Maiti A, Schaumont P. Improved ring oscillator PUF: an FPGA-friendly secure primitive[J]. Journal of Cryptology, 2011, 24 (2): 375- 397. DOI

18	Suh G E, Devadas S. Physical unclonable functions for device authentication and secret key generation[C]//Proceedings of the 44th Annual Design Automation Conference (DAC ’07). San Diego: ACM, 2007: 9–14.

19	Zhang J L, Shen C Q, Guo Z Y, et al. CT PUF: configurable tristate PUF against machine learning attacks for IoT security[J]. IEEE Internet of Things Journal, 2022, 9 (16): 14452- 14462. DOI

20	Ashtari A, Shabani A, Alizadeh B. A comparative study of machine learning classifiers for secure RF-PUF-based authentication in Internet of things[J]. Microprocessors and Microsystems, 2022, 93, 104600. DOI

21	Hemavathy S, Kanchana Bhaaskaran V S. Arbiter PUF: a review of design, composition, and security aspects[J]. IEEE Access, 2023, 11, 33979- 34004.

22	Wang P D, Chen F L, Li D, et al. Authentication of optical physical unclonable functions based on single-pixel detection[J]. Physical Review Applied, 2021, 16 (5): 054025. DOI

23	Li A X, Kong L L, Peng C, et al. Predicting Cd accumulation in rice and identifying nonlinear effects of soil nutrient elements based on machine learning methods[J]. Science of the Total Environment, 2024, 912, 168721. DOI

24	Liu S H, Xie H, Cao Q M, et al. Preparation of a novel IPDI/PUF@CeO₂ bi-functional microcapsules and its improvement for the self-healing and anti-corrosion performance in epoxy coatings[J]. Progress in Organic Coatings, 2022, 169, 106897. DOI

25	Bommana S R, Veeramachaneni S, Srinivas M. Bistable physically unclonable function with dynamic threshold voltage[C]//Proceedings of the 2024 IEEE 67th International Midwest Symposium on Circuits and Systems (MWSCAS). Piscataway: IEEE Press, 2024: 167-172.

26	C G G, Jose B A, Mathew J. A novel mixed-signal PUF based on current mirror inverter[C]//Proceedings of the 2022 IEEE International Symposium on Smart Electronic Systems (iSES). Piscataway: IEEE Press, 2022: 89-94.

27	Garg A, Kim T T. Design of SRAM PUF with improved uniformity and reliability utilizing device aging effect[C]//Proceedings of the 2014 IEEE International Symposium on Circuits and Systems (ISCAS) . Piscataway: IEEE Press, 2014: 1941-1944

28	Morozov S, Maiti A, Schaumont P. An analysis of delay based PUF implementations on FPGA[M]//Reconfigurable Computing: Architectures, Tools and Applications. Berlin, HeidelbergSpringer2010: 382-387.

29	Vaidya G, Nambi A, Prabhakar T V, et al. IoT-ID: a novel device-specific identifier based on unique hardware fingerprints[C]//Proceedings of the 2020 IEEE/ACM Fifth International Conference on Internet-of-Things Design and Implementation (IoTDI). Piscataway: IEEE Press, 2020: 189-202

30	Xiao W, Liu B S, Yin W T. Security authentication scheme based on Chebyshev chaotic mapping for library network[J]. Alexandria Engineering Journal, 2024, 109, 262- 269. DOI

31	Nurkifli E H. Provably secure biometric and PUF-based authentication for roaming service in global mobility network[J]. Alexandria Engineering Journal, 2025, 113, 414- 430. DOI

32	Chen L Q, Wang J L, Yin B W, et al. A provably secure and PUF-based authentication key agreement scheme for cloud-edge IoT[J]. China Communications, 2023, 20 (5): 198- 216. DOI

33	Zhang Y, Yuan Z, Feng X, et al. PUF-based lightweight authentication protocol for power IoT[J]. Application Research of Computers, 2025, 42 (5): 1541- 1548. DOI

34	Lounis K, Zulkernine M. T2T-MAP: a PUF-based thing-to-thing mutual authentication protocol for IoT[J]. IEEE Access, 2021, 9, 137384- 137405. DOI

35	Fievre A M P, Rogers A A A, Bhansali S. Integrated circuit security: an overview[J]. Journal of Institute of Smart Structures and Systems, 2015, 4 (1): 18- 37.

36	Katzenbeisser S, Kocabaş Ü, Rožić V, et al. PUFs: myth, fact or busted a security evaluation of physically unclonable functions (PUFs) cast in silicon[M]//Cryptographic Hardware and Embedded Systems – CHES 2012. Berlin, Heidelberg: Springer, 2012: 283-301.

37	Su H, Zhang J. Machine learning attacks on voltage over-scaling-based lightweight authentication[C]//2018 Asian Hardware Oriented Security and Trust Symposium (AsianHOST). 2018: 50-55.

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

0 引言

1 相关研究

1.1 物理不可克隆函数

图 1 基于仲裁器的PUF架构

1.2 基于PUF的身份认证技术

2 多模块PUF协同提取方法

2.1 基于通用硬件模块的PUF提取方法

2.2 基于多源协同机制的PUF响应生成方法

图 2 基于多源协同机制的PUF响应生成方法示意

3 基于PUF的无人机集群分布式认证框架

3.1 注册阶段

图 3 无人机A和无人机B注册阶段流程

图 4 无人机A和无人机B认证阶段流程

3.2 认证阶段

4 实验验证与安全评估

4.1 实验设置

4.2 基于多源协同机制的PUF响应生成方法评估

图 5 基于单模块PUF响应的概率密度分布曲线

图 6 基于多源协同机制的PUF响应的概率密度分布曲线

图 7 极端随机森林进行机器学习攻击结果

4.3 基于PUF的无人机集群安全认证框架

4.3.1 安全性分析

图 8 Scyther形式化安全分析结果

4.3.2 性能分析

5 结束语

参考文献