面向安全 WBG ICS 的噪声驱动 PUF 与 AI 适配研究：一种概念验证案例
密码学与安全
2025-10-28 v1 机器学习
系统与控制
系统与控制
应用物理
摘要
宽带gap (Wide-bandgap, WBG) 技术在电力系统效率、尺寸与性能方面带来了显著提升，但也在工业控制系统 (ICS) 中因高频噪声与复杂网络安全威胁而引入独特的传感器损坏与网络安全风险。本概念验证 (Proof-of-Concept, PoC) 研究展示了将噪声驱动的物理不可克隆函数 (PUF) 与机器学习 (ML) 辅助异常检测框架适配至 WBG 基 ICS 传感器路径环境的可行性。通过从不可避免的 WBG 开关噪声 (最高 100 kHz) 中提取熵作为 PUF 来源，同时将该噪声用作实时威胁指示器，所提出的系统实现了硬件级身份认证与异常检测的融合。该方法将混合机器学习模型与自适应贝叶斯滤波相结合，提供鲁棒且低延迟的检测能力，抗性强于自然电磁干扰 (EMI) 与主动对抗性操作。通过对 WBG 模块在良好场景与攻击情形下的详细仿真——包括 EMI 注入、信号篡改与节点冒充——我们实现了 95% 检测准确率与亚毫秒级处理延迟。这些结果证明了基于物理驱动的双用途噪声利用作为可扩展 ICS 防御原语的可行性。我们的发现为下一代安全策略奠定了基础，这些策略利用固有器件特性，桥接硬件与人工智能 (AI)，以增强关键 ICS 基础设施的保护。
引用
@article{arxiv.2510.22283,
title = {Adapting Noise-Driven PUF and AI for Secure WBG ICS: A Proof-of-Concept Study},
author = {Devon A. Kelly and Christiana Chamon},
journal= {arXiv preprint arXiv:2510.22283},
year = {2025}
}