安全与算力不冲突！港大清华等首创忆阻器共位认证处理系统

---

  新智元报道  

从智能手表到工业传感器，从自动驾驶汽车到智能家居，边缘设备正在渗透到生活的每个角落。

然而，随着设备智能化程度提升，安全威胁日益严峻。

物联网僵尸网络大规模感染边缘设备，智能摄像头隐私泄露频发，生命健康领域的可穿戴和植入式医疗设备也面临被攻击和数据泄露的风险。

传统解决方案效率低下。它们将安全模块和计算模块分离，造成巨大的硬件冗余。同时，这些设计遵循冯·诺依曼架构，存储和计算单元分离，引入大量数据传输瓶颈，严重限制了资源受限边缘设备的续航能力和部署密度。

图1：隐私保护数据分析系统方案对比。基于互补式金属氧化物半导体（CMOS）芯片实现（左）对比基于忆阻器芯片实现（CLAP，右）。

针对上述问题，近日，香港大学、清华大学与南方科技大学联合团队提出基于忆阻器的CLAP系统，如图1所示，CLAP的核心创新是「差分随机映射」方法，巧妙化解了安全与计算之间的根本矛盾。

论文链接：https://www.science.org/doi/10.1126/sciadv.ady5485

发表期刊：《科学进展》（Science Advances）

从安全角度看，关键安全组件物理不可克隆函数（Physical unclonable function, PUF）需要器件的物理变异性来生成独特指纹；从计算角度看，存算一体（Compute-in-memory, CIM）要求跨设备的一致计算结果。

这两个需求看似水火不容。研究团队的解决方案是：利用差分表示的冗余性。电导差值用于确定性的CIM权重计算，而电导组合用于生成随机的PUF指纹，如图2所示。正矩阵捕获自然变异，负矩阵校准补偿以确保计算精度，即在保持认证熵的同时确保计算结果一致。

图2：差分随机映射方法示意图。

团队首先在离散小波变换上验证系统性能。这是信号处理中的经典算法，但传统实现因存算分离而能效低下。CLAP提出「直接输出策略」，将多级变换重构为单次矩阵-向量乘法，一步到位产生最终结果。结果显示，归一化误差均值−0.187%，标准差2.873%。在真实脑电图数据上的表现与软件实现高度一致。PUF性能——误码率、唯一性、扩散性和均匀性指标全部接近理论理想值，确保了安全认证能力。

团队进一步将方法扩展到神经网络。在MNIST数字识别任务中，使用标准数据集分割，识别准确率达94-95%，与无CLAP的基准网络（95.36%）几乎持平。这证明CLAP不会牺牲计算精度来换取安全性。

图3：不同计算任务中的CLAP。上： CLAP实现DWT处理；下：CLAP实现MNIST神经网络任务的识别准确率与认证能力。

为评估真实世界应用性能，团队利用MIT-BIH数据集测试了CLAP在心电图（ECG）采集场景下的效果。连续ECG监测产生海量数据，需要高能耗的无线传输，而边缘侧数据压缩可显著降低传输开销。

该任务中，CLAP整合了两项关键功能：通过PUF实现设备认证，通过CIM实现基于压缩感知算法的数据压缩。实验结果表明，设备认证的曲线下面积达到0.9946。压缩后信号与软件实现的相关系数高达0.991。

更重要的是系统集成优势。通过在同一物理平台上共位认证和处理，CLAP消除了传统分离模块的硬件冗余，在能效和芯片面积方面相比传统CMOS方案都实现了大幅提升。对于资源受限的植入式设备，这意味着更长续航和更小体积——患者舒适度和维护成本的关键因素。

图4 CLAP 系统在心电图数据采集任务中的表现

CLAP系统的突破不仅限于生命健康领域。研究团队展示了该系统从经典信号处理到神经网络的广泛适用性，为整个边缘智能生态带来启示。该方法的核心优势在于真正的硬件共位——安全和计算功能在同一忆阻器阵列实现，消除传统分离模块的硬件冗余。

团队指出，这一方法预期适用于其他具有可编程电导和自然变异性特征的忆阻技术，可扩展到其他基于矩阵-向量乘法的算法。

虽然当前工作聚焦生命健康应用，但展示的原理可推广到智能家居、工业物联网、自动驾驶等需要安全高效计算的边缘智能领域。在边缘物联网安全日益重要的今天，CLAP为「安全与效率兼得」提供了全新技术路径，有望促进边缘智能的未来发展。

香港大学电机电子工程系黄毅教授和刘正午博士，以及清华大学集成电路学院吴华强教授为论文的共同通讯作者。刘正午博士为第一作者。合作者包括南方科技大学王中锐教授，香港大学博士生丁辰辰，清华大学博士毕业生林博瀚、唐建石教授和高滨教授。

该研究获得国家自然科学基金、香港研究资助局优配研究金与主题研究计划、安富利—香港大学新兴微电子与泛在系统实验室，以及由香港创新科技署创新香港研发平台资助的香港人工智能晶片研发中心等资助。