安全與算力不沖突！港大清華等首創憶阻器共位認證處理系統

新智元報道

編輯：LRST

【新智元導讀】香港大學、清華大學與南方科技大學聯合團隊提出基于憶阻器芯片的共位認證與處理（Colocated Authentication and Processing，CLAP）系統，在同一芯片上同時實現安全認證與高效計算。該方案顯著提升了能效并大幅縮減了芯片面積，為資源受限邊緣智能設備的隱私保護數據分析開辟了新的技術路徑。

從智能手表到工業傳感器，從自動駕駛汽車到智能家居，邊緣設備正在滲透到生活的每個角落。

然而，隨著設備智能化程度提升，安全威脅日益嚴峻。

物聯網僵尸網絡大規模感染邊緣設備，智能攝像頭隱私泄露頻發，生命健康領域的可穿戴和植入式醫療設備也面臨被攻擊和數據泄露的風險。

傳統解決方案效率低下。它們將安全模塊和計算模塊分離，造成巨大的硬件冗余。同時，這些設計遵循馮·諾依曼架構，存儲和計算單元分離，引入大量數據傳輸瓶頸，嚴重限制了資源受限邊緣設備的續航能力和部署密度。

圖1：隱私保護數據分析系統方案對比。基于互補式金屬氧化物半導體（CMOS）芯片實現（左）對比基于憶阻器芯片實現（CLAP，右）。

針對上述問題，近日，香港大學、清華大學與南方科技大學聯合團隊提出基于憶阻器的CLAP系統，如圖1所示，CLAP的核心創新是「差分隨機映射」方法，巧妙化解了安全與計算之間的根本矛盾。

論文鏈接：https://www.science.org/doi/10.1126/sciadv.ady5485

發表期刊：《科學進展》（Science Advances）

從安全角度看，關鍵安全組件物理不可克隆函數（Physical unclonable function, PUF）需要器件的物理變異性來生成獨特指紋；從計算角度看，存算一體（Compute-in-memory, CIM）要求跨設備的一致計算結果。

這兩個需求看似水火不容。研究團隊的解決方案是：利用差分表示的冗余性。電導差值用于確定性的CIM權重計算，而電導組合用于生成隨機的PUF指紋，如圖2所示。正矩陣捕獲自然變異，負矩陣校準補償以確保計算精度，即在保持認證熵的同時確保計算結果一致。

圖2：差分隨機映射方法示意圖。

從經典信號處理到神經網絡

團隊首先在離散小波變換上驗證系統性能。這是信號處理中的經典算法，但傳統實現因存算分離而能效低下。CLAP提出「直接輸出策略」，將多級變換重構為單次矩陣-向量乘法，一步到位產生最終結果。結果顯示，歸一化誤差均值?0.187%，標準差2.873%。在真實腦電圖數據上的表現與軟件實現高度一致。PUF性能——誤碼率、唯一性、擴散性和均勻性指標全部接近理論理想值，確保了安全認證能力。

團隊進一步將方法擴展到神經網絡。在MNIST數字識別任務中，使用標準數據集分割，識別準確率達94-95%，與無CLAP的基準網絡（95.36%）幾乎持平。這證明CLAP不會犧牲計算精度來換取安全性。

圖3：不同計算任務中的CLAP。上： CLAP實現DWT處理；下：CLAP實現MNIST神經網絡任務的識別準確率與認證能力。

安全心電監測原型演示

為評估真實世界應用性能，團隊利用MIT-BIH數據集測試了CLAP在心電圖（ECG）采集場景下的效果。連續ECG監測產生海量數據，需要高能耗的無線傳輸，而邊緣側數據壓縮可顯著降低傳輸開銷。

該任務中，CLAP整合了兩項關鍵功能：通過PUF實現設備認證，通過CIM實現基于壓縮感知算法的數據壓縮。實驗結果表明，設備認證的曲線下面積達到0.9946。壓縮后信號與軟件實現的相關系數高達0.991。

更重要的是系統集成優勢。通過在同一物理平臺上共位認證和處理，CLAP消除了傳統分離模塊的硬件冗余，在能效和芯片面積方面相比傳統CMOS方案都實現了大幅提升。對于資源受限的植入式設備，這意味著更長續航和更小體積——患者舒適度和維護成本的關鍵因素。

圖4 CLAP 系統在心電圖數據采集任務中的表現

從生命健康應用到萬物互聯

CLAP系統的突破不僅限于生命健康領域。研究團隊展示了該系統從經典信號處理到神經網絡的廣泛適用性，為整個邊緣智能生態帶來啟示。該方法的核心優勢在于真正的硬件共位——安全和計算功能在同一憶阻器陣列實現，消除傳統分離模塊的硬件冗余。

團隊指出，這一方法預期適用于其他具有可編程電導和自然變異性特征的憶阻技術，可擴展到其他基于矩陣-向量乘法的算法。

雖然當前工作聚焦生命健康應用，但展示的原理可推廣到智能家居、工業物聯網、自動駕駛等需要安全高效計算的邊緣智能領域。在邊緣物聯網安全日益重要的今天，CLAP為「安全與效率兼得」提供了全新技術路徑，有望促進邊緣智能的未來發展。

香港大學電機電子工程系黃毅教授和劉正午博士，以及清華大學集成電路學院吳華強教授為論文的共同通訊作者。劉正午博士為第一作者。合作者包括南方科技大學王中銳教授，香港大學博士生丁辰辰，清華大學博士畢業生林博瀚、唐建石教授和高濱教授。

該研究獲得國家自然科學基金、香港研究資助局優配研究金與主題研究計劃、安富利—香港大學新興微電子與泛在系統實驗室，以及由香港創新科技署創新香港研發平臺資助的香港人工智能晶片研發中心等資助。

參考資料：

https://www.science.org/doi/10.1126/sciadv.ady5485