摘要
针对当前硬件克隆、设备仿制、重放攻击及人工智能（AI）仿真攻击等日益严峻的硬件安全威胁，本文提出一种基于动态行为轨迹的三层融合硬件安全认证技术——CEH-TrapOrbit-PUF。该技术摒弃传统静态物理不可克隆函数（PUF）依赖固定物理特征的设计思路，通过设备身份层、挑战预测层和动态行为层三层联合判决，实现无密钥存储、强抗攻击、具有设备身份区分能力的可信认证。其中，挑战预测层采用岭回归机器学习模型学习挑战-响应映射，动态行为层有效抵御AI建模攻击；攻击者同样利用AI模型（岭回归代理）进行伪造攻击，形成AI攻防对抗验证。依托多设备仿真平台，分别开展重放攻击、AI代理攻击、跨设备冒充攻击防御测试及环境扰动鲁棒性验证。实验结果显示：默认参数配置下，系统对重放攻击拦截率达100%，AI代理攻击拦截率99.48%，跨设备冒充攻击拦截率99.79%，但合法设备通过率（TPR）仅3.54%，核心原因在于初始阈值设置过于严格。通过多维度阈值扫描优化，在TPR最高可达9.17%的前提下，选取攻击误接受率（FAR）较低的工作点，各类攻击FAR均控制在4.5%以下。本文研究为硬件防克隆技术提供了融合人工智能的行为级认证新思路，后续将聚焦真实硬件部署与长期运行稳定性优化。
关键词：物理不可克隆函数；行为级认证；硬件安全；机器学习；防克隆
1 引言
随着物联网、工业控制、汽车电子及消费电子领域硬件设备的规模化部署，硬件克隆、盗版仿制、重放攻击及AI仿真攻击等安全威胁愈发突出，传统硬件安全防护方案已难以满足高安全场景需求。现有硬件安全方案多依赖密钥存储或静态物理不可克隆函数（PUF）实现身份认证，但其缺陷显著：密钥易遭受物理逆向提取，静态PUF仅依托固定物理特征，极易被机器学习算法（如逻辑回归、支持向量机、神经网络）完成精确建模攻击，且设备间特征区分度有限，无法有效抵御高阶硬件仿制与身份冒充攻击。
近年来，基于人工智能的建模攻击成为硬件安全领域的主要威胁，攻击者利用机器学习模型从公开的挑战-响应对中逆向提取设备特征，实现低成本克隆。与此同时，动态行为式认证逐渐成为研究热点，其核心是利用硬件固有物理随机性，生成随时间、环境及挑战参数动态变化的响应轨迹，攻击者无法通过静态克隆或简易模型完成精准伪造，具备更强的抗AI攻击潜力。基于此，本文提出CEH-TrapOrbit-PUF动态行为认证技术，以设备固有物理差异为基础生成动态行为轨道，通过三层融合判决机制实现可信认证。相较于现有技术，本文创新点如下：一是实现设备身份与动态行为深度绑定，从根源上杜绝硬件克隆；二是引入挑战预测层，使单次认证响应与动态挑战码强耦合，彻底阻断重放攻击路径；三是设计动态行为层，通过响应变化量判据，有效抵御AI仿真建模攻击（如岭回归、神经网络代理攻击）；四是搭建多设备仿真平台，引入AI攻击器（岭回归代理），结合阈值扫描完成系统抗AI攻击性能全面评估。本文通过C++仿真平台验证技术可行性，完成关键参数优化分析，为后续真实硬件落地部署提供理论支撑。
2 技术架构
2.1 系统概述
CEH-TrapOrbit-PUF系统采用三层模块化架构，主要包含设备身份层、挑战预测层、动态行为层三部分，三层协同完成设备认证全流程。设备注册阶段，采集多环境工况下的样本数据，构建设备专属基准模型；认证阶段，待认证设备接收随机挑战码并返回动态轨道特征，系统同步计算三层判据，仅当全部条件满足时，授予设备合法访问权限。
其中，设备身份层依托注册阶段采集的多环境样本，计算设备特征质心与身份判定阈值，完成设备唯一身份标定；挑战预测层通过训练岭回归机器学习模型，学习挑战码、环境参数与设备特征间的非线性映射关系，实现合法响应精准预测；动态行为层计算实际特征与预测特征的L1差异（绝对偏差和），用于判断响应是否具备真实硬件应有的波动幅度，甄别伪造响应与AI仿真攻击。
2.2 设备模型与特征提取
每台硬件设备具备唯一的128维隐变量（secret_）与96维轨道偏置（phasebias），通过仿真生成受挑战码、环境温度、运行负载多重因素影响的动态行为轨道。为保障认证精度与设备区分度，从动态轨道中提取16维核心特征，具体包括挑战投影均值、同号比例、加权均值、加权差分能量、正负区域均值、分段投影统计量及原始轨道统计量。该特征体系充分融合挑战码与设备物理行为的交互特性，为后续三层融合判决提供高辨识度数据支撑。
2.3 三层融合判决规则
设待认证样本特征为 $\mathbf{f}$，结合设备注册生成的基准模型，三层判决规则定义如下：
（1）挑战预测层：构建线性回归预测模型 $\hat{\mathbf{f}} = \mathbf{W}\mathbf{x} + \mathbf{b}$，其中 $\mathbf{x}$ 为挑战嵌入向量与环境参数归一化值，$\hat{\mathbf{f}}$ 为预测响应特征；判决条件为 $|\mathbf{f} - \hat{\mathbf{f}}| \leq \text{pred_radius}$，即实际特征与预测特征的欧式距离不超过预测半径阈值。
（2）设备身份层：以设备特征质心 $\mathbf{c}$ 为基准，计算待认证样本与自身质心距离 $d{\text{self}} = |\mathbf{f} - \mathbf{c}|$，与最近其他设备质心距离 $d{\text{other}}$，并定义距离比值 $r = d{\text{self}} / d{\text{other}}$；判决条件为 $d_{\text{self}} \leq \text{cen_radius}$ 且 $r \leq \text{ratio_threshold}$，即自身距离与距离比值同时满足阈值要求。
（3）动态行为层：计算实际特征与预测特征的L1差异 $\text{totalvar} = \sum{k=1}^{\text{FEAT_DIM}} |f_k - \hat{f}_k|$；判决条件为 $\text{total_var} \geq \text{var_threshold}$，即总波动量不低于动态波动阈值。
认证流程中，需同时满足上述三层全部判决条件，方可判定为合法设备并通过认证，任一条件不满足则认证失败。
3 实验设置
3.1 仿真平台与核心参数
实验采用C++语言搭建多设备仿真平台，共设置8台独立仿真设备，模拟多设备混杂部署场景，核心实验参数如表1所示。每台设备采集72组注册样本，覆盖15–45℃温度区间与0.20–0.85负载区间，全面采集多工况基准特征；攻击者采集96组单设备样本，用于训练代理伪造模型；单设备认证轮数设为120轮，在不同随机挑战下重复测试，保证结果稳定性；最终提取16维轨道特征，采用12维挑战嵌入向量作为预测层输入。
参数 值 说明
设备数量 8 模拟多设备环境
每设备注册样本 72 覆盖温度15–45℃、负载0.20–0.85
攻击者观测样本 96/设备 用于训练代理模型
认证轮数 120/设备 每设备在不同挑战下重复认证
特征维度 16 从轨道中提取
挑战嵌入维度 12 用于预测层输入
3.2 攻击场景与测试内容
本次实验设定四类测试场景，全面验证系统性能：
重放攻击：使用设备历史观测样本（绑定旧挑战码）发起认证。
AI代理攻击（岭回归代理）：攻击者利用采集样本训练机器学习模型（岭回归），学习挑战-环境到特征的映射，针对新挑战生成伪造特征发起攻击。该攻击模拟了现实中最危险的AI建模攻击方式。
跨设备冒充攻击：用设备A的真实响应冒充设备B的身份发起认证。
环境扰动鲁棒性测试：在16–38℃、负载0.22–0.82范围内，测试合法设备认证通过率。
核心评估指标包括合法设备通过率（TPR）、误拒率（FRR）、各类攻击误接受率（FAR）。
4 实验结果与分析
4.1 默认参数下系统性能
默认参数（pred_scale=1.0, cen_scale=1.0, ratio_th=0.8, var_th=0.8）下，系统攻击防御性能优异，但合法设备通过率偏低，具体指标如表2所示。合法设备TPR仅3.54%，FRR高达96.46%，环境扰动下通过率仅2.81%；而重放攻击FAR为0.00%，实现完全拦截，AI代理攻击FAR为0.52%，跨设备冒充攻击FAR为0.21%，三类攻击拦截率均超99%。
指标 数值
TPR 3.54%
FRR 96.46%
FAR_replay 0.00%
FAR_AI代理 0.52%
FAR_impostor 0.21%
扰动通过率 2.81%
究其原因，默认阈值尤其是身份层比值阈值（ratio_th=0.8）设置过于严格，部分合法样本因偏离自身质心、更接近其他设备中心被误判。尽管设备间特征距离均值达0.3344，整体区分度尚可，但设备内部样本个体波动导致高误拒率。
4.2 阈值扫描与参数优化
为平衡系统安全性与可用性，对预测半径缩放因子（0.85–1.10）、中心半径缩放因子（0.85–1.10）、比值阈值（0.65–0.85）、动态阈值（0.50–1.10）进行网格扫描。在扫描范围内，合法设备通过率最高仅能达到9.17%。选取该最高TPR对应的参数组合，并兼顾攻击误接受率，得到最佳工作点：pred_scale=1.00、cen_scale=0.85、ratio_th=0.85、var_th=0.50。此时TPR=9.17%，FRR=90.83%，FAR_sim=4.48%，FAR_impostor=1.35%，各类攻击FAR均低于4.5%。进一步分析可知，身份层判决条件是制约合法通过率的核心瓶颈，合法样本identity_ratio均值约1.12，高于优化后阈值，导致多数合法样本被拒。
4.3 系统稳定性与特征可分性
稳定性方面，注册阶段预测模型残差标准差均值为0.0672，说明模型对注册样本拟合效果良好，但认证阶段受环境波动与样本随机性影响，鲁棒性有所下降。特征可分性方面，设备间特征距离均值0.3344，10%分位数0.1859，表明不同设备特征空间存在部分重叠，无法完全分离，这也是身份层阈值难以大幅放宽的关键原因。
4.4 攻击防御能力分析
尽管合法通过率偏低，系统对各类攻击的防御能力表现突出。重放攻击因旧挑战-响应组合无法通过挑战预测层校验，被完全阻断；AI代理攻击生成的伪造特征，总波动量仅0.59，远低于合法样本均值1.06，且identity_ratio偏高，被身份层与动态行为层双重拦截；跨设备冒充攻击样本identity_ratio均值达1.30，远超身份层阈值，可被精准甄别。由此可见，三层融合架构区分真伪设备的能力极强，系统核心短板为合法样本通过率优化，而非攻击防御性能。
5 讨论与未来工作
5.1 现有方案局限
一是合法设备通过率过低，默认参数下仅3.54%，阈值优化后仍不足10%，无法直接满足实际部署需求，核心是设备特征空间重叠导致身份层误判率高；二是特征区分度有待提升，设备间特征距离下分位仅0.1859，不同设备特征混叠明显；三是仅基于仿真平台验证，未充分考虑真实芯片噪声、器件老化、温度瞬变等实际物理效应，与真实硬件运行存在差距。
5.2 后续改进方向
后续将从四方面优化方案：第一，优化特征提取算法，探索高维非线性特征、时频域特征与高阶统计量，强化设备唯一性，弱化特征混叠问题；第二，采用深度学习模型替代现有线性回归预测层，捕捉更复杂的挑战-响应映射关系，提升预测精度；第三，引入自适应阈值机制，依据认证历史与实时环境动态调整阈值，替代固定全局阈值；第四，在FPGA或ASIC平台搭建硬件原型，采集真实物理数据，修正模型偏差，完成真实场景验证与部署。
6 结论
本文提出CEH-TrapOrbit-PUF三层融合动态行为硬件安全认证技术，针对硬件克隆、重放攻击、AI建模攻击等威胁，构建无密钥存储、分层协同的可信认证体系。多设备仿真实验表明，该技术对AI代理攻击拦截率达99.48%，抗AI攻击性能优异，但受限于特征区分度与阈值设置，合法设备通过率偏低。本文为硬件防克隆技术提供了融合人工智能攻防的行为级解决方案，后续将通过特征优化、模型升级与真实硬件验证，平衡系统安全性与可用性，推动技术实现商用落地。
参考文献
[1] G. E. Suh and S. Devadas. Physical unclonable functions for device authentication and secret key generation[C]//Proc. 44th ACM/IEEE Design Automation Conf. (DAC), 2007: 9-14.
[2] U. Rührmair, et al. Modeling attacks on physical unclonable functions[C]//Proc. 17th ACM Conf. Computer and Communications Security (CCS), 2010: 237-249.
[3] A. Maiti, J. Casarona, L. McHale, and P. Schaumont. A large scale characterization of RO-PUF[C]//Proc. 2010 IEEE Int. Symp. Hardware-Oriented Security and Trust (HOST), 2010: 94-99.
[4] 张宏, 李涛. 硬件物理不可克隆函数技术研究进展[J]. 计算机学报, 2022, 45(3): 521-540.
[5] 王健, 刘敏. 物联网硬件安全与防克隆技术综述[J]. 通信学报, 2023, 34(7): 187-205.
附录：程序输出关键数据摘要
默认参数：合法设备TPR=3.54%，FRR=96.46%；重放攻击FAR=0.00%；AI代理攻击FAR=0.52%；跨设备冒充攻击FAR=0.21%；扰动环境通过率=2.81%。
设备特征参数：设备间特征距离均值=0.3344，下分位=0.1859。
最佳工作点参数：pred_scale=1.00，cen_scale=0.85，ratio_th=0.85，var_th=0.50；对应TPR=9.17%，FAR_sim=4.48%，FAR_impostor=1.35%。
作者：陈恩华（独立程序员研究者）2026年3月
联系方式：
邮箱：a106079595@qq.com
GitHub：https://github.com/chenenhua
学术交流：欢迎对图像识别、人工智能感兴趣的研究者邮件交流或合作探讨。
/Users/chenenhua/Desktop/project/c/Demo/cmake-build-debug/陷门轨道硬件安全认证系统.app/Contents/MacOS/陷门轨道硬件安全认证系统
CEH TrapOrbit PUF | 三层融合最终版（设备身份 + Challenge预测 + 动态行为）
[说明]
- 这仍然是强化研究版，不是商业安全承诺
- 三层融合：设备身份层 + Challenge 预测层 + 动态行为层
- 包含：多设备、重放、surrogate仿真、设备冒充、扰动、阈值扫描
============================================================
[1] 多设备注册完成
设备数 : 8
每设备注册样本 : 72
攻击者每设备观测样本 : 96
每设备认证轮数 : 120
设备0预测半径 : 0.6975
设备0中心半径 : 0.9851
设备0 ratio阈值 : 0.8000
设备0 total_var阈值 : 0.8000
设备0残差STD前8项 : 0.03982, 0.04992, 0.04534, 0.02849, 0.08964, 0.07785, 0.16325, 0.08984
============================================================
[2] 攻击者训练完成
攻击者已观察样本总数 : 768
攻击方式 : ridge surrogate（challenge+env -> feature）
============================================================
[3] 单轮详细调试
设备 : 0
回合 : 0
[合法设备]
预测距离 : 0.2105
自身中心距离 : 0.3958
最近他设备中心距离 : 0.3055
identity_ratio : 1.2956
total_var : 0.6400
结果 : 拒绝
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[仿真攻击]
预测距离 : 0.0945
自身中心距离 : 0.3348
最近他设备中心距离 : 0.2120
identity_ratio : 1.5795
total_var : 0.3065
结果 : 被拦截
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[设备冒充]
预测距离 : 0.2756
自身中心距离 : 0.5412
最近他设备中心距离 : 0.4143
identity_ratio : 1.3063
结果 : 被拦截
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[扰动环境]
预测距离 : 0.2166
自身中心距离 : 0.6105
identity_ratio : 1.2203
total_var : 0.6329
结果 : 拒绝
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
============================================================
[3] 单轮详细调试
设备 : 0
回合 : 1
[合法设备]
预测距离 : 0.3124
自身中心距离 : 0.2514
最近他设备中心距离 : 0.2505
identity_ratio : 1.0038
total_var : 0.9519
结果 : 拒绝
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[仿真攻击]
预测距离 : 0.1709
自身中心距离 : 0.1689
最近他设备中心距离 : 0.0832
identity_ratio : 2.0305
total_var : 0.5474
结果 : 被拦截
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[设备冒充]
预测距离 : 0.4349
自身中心距离 : 0.3370
最近他设备中心距离 : 0.2847
identity_ratio : 1.1836
结果 : 被拦截
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[扰动环境]
预测距离 : 0.3098
自身中心距离 : 0.2287
identity_ratio : 0.9306
total_var : 0.9311
结果 : 拒绝
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
============================================================
[3] 单轮详细调试
设备 : 0
回合 : 2
[合法设备]
预测距离 : 0.3400
自身中心距离 : 0.3354
最近他设备中心距离 : 0.2921
identity_ratio : 1.1484
total_var : 1.0196
结果 : 拒绝
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[仿真攻击]
预测距离 : 0.1436
自身中心距离 : 0.1548
最近他设备中心距离 : 0.0936
identity_ratio : 1.6548
total_var : 0.4074
结果 : 被拦截
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[设备冒充]
预测距离 : 0.4679
自身中心距离 : 0.5022
最近他设备中心距离 : 0.3794
identity_ratio : 1.3237
结果 : 被拦截
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
[扰动环境]
预测距离 : 0.3305
自身中心距离 : 0.4458
identity_ratio : 1.2581
total_var : 1.0020
结果 : 拒绝
原因 : 拒绝：该样本更接近其他设备中心，疑似设备冒充
============================================================
[4] 核心统计指标
[合法设备]
TPR : 3.54%
FRR : 96.46%
平均预测距离 : 0.3534
平均自身中心距离 : 0.3747
平均 identity_ratio : 1.1224
平均 total_var : 1.0598
[Replay Attack]
FAR_replay : 0.0000%
拦截率 : 100.0000%
[Surrogate Simulation Attack]
FAR_sim : 0.5208%
拦截率 : 99.4792%
平均预测距离 : 0.1906
平均自身中心距离 : 0.2240
平均 identity_ratio : 1.6328
平均 total_var : 0.5863
[Real Device Impostor Attack]
FAR_impostor : 0.2083%
拦截率 : 99.7917%
平均预测距离 : 0.3926
平均自身中心距离 : 0.4165
平均 identity_ratio : 1.2974
[温度 / 负载扰动鲁棒性]
扰动通过率 : 2.8125%
扰动误拒绝率 : 97.1875%
扰动平均预测距离 : 0.3457
扰动平均自身中心距离 : 0.3970
扰动平均 identity_ratio : 1.1224
扰动平均 total_var : 1.0361
[稳定性 / 可分性]
Stability_intra : 0.0672 (注册阶段残差STD均值，越小越稳)
Inter device mean dist : 0.3344 (设备间特征距离，越大越好)
Inter device p10 dist : 0.1859 (设备间距离下分位，越大越好)
============================================================
[5] 阈值扫描（找更合理的工作点）
pred_s | cen_s | ratio | var | TPR | FRR | FAR_sim | FAR_imp
0.85 | 0.85 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
0.85 | 0.85 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
0.85 | 0.85 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
0.85 | 0.85 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
0.85 | 0.85 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
0.85 | 0.85 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
0.85 | 0.85 | 0.85 | 0.50 | 8.96% | 91.04% | 4.48% | 1.35%
0.85 | 0.85 | 0.85 | 0.80 | 5.42% | 94.58% | 0.73% | 0.73%
0.85 | 0.85 | 0.85 | 1.10 | 1.15% | 98.85% | 0.10% | 0.10%
0.85 | 0.95 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
0.85 | 0.95 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
0.85 | 0.95 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
0.85 | 0.95 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
0.85 | 0.95 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
0.85 | 0.95 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
0.85 | 0.95 | 0.85 | 0.50 | 8.96% | 91.04% | 4.48% | 1.35%
0.85 | 0.95 | 0.85 | 0.80 | 5.42% | 94.58% | 0.73% | 0.73%
0.85 | 0.95 | 0.85 | 1.10 | 1.15% | 98.85% | 0.10% | 0.10%
0.85 | 1.00 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
0.85 | 1.00 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
0.85 | 1.00 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
0.85 | 1.00 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
0.85 | 1.00 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
0.85 | 1.00 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
0.85 | 1.00 | 0.85 | 0.50 | 8.96% | 91.04% | 4.48% | 1.35%
0.85 | 1.00 | 0.85 | 0.80 | 5.42% | 94.58% | 0.73% | 0.73%
0.85 | 1.00 | 0.85 | 1.10 | 1.15% | 98.85% | 0.10% | 0.10%
0.85 | 1.10 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
0.85 | 1.10 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
0.85 | 1.10 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
0.85 | 1.10 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
0.85 | 1.10 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
0.85 | 1.10 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
0.85 | 1.10 | 0.85 | 0.50 | 8.96% | 91.04% | 4.48% | 1.35%
0.85 | 1.10 | 0.85 | 0.80 | 5.42% | 94.58% | 0.73% | 0.73%
0.85 | 1.10 | 0.85 | 1.10 | 1.15% | 98.85% | 0.10% | 0.10%
0.95 | 0.85 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
0.95 | 0.85 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
0.95 | 0.85 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
0.95 | 0.85 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
0.95 | 0.85 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
0.95 | 0.85 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
0.95 | 0.85 | 0.85 | 0.50 | 9.06% | 90.94% | 4.48% | 1.35%
0.95 | 0.85 | 0.85 | 0.80 | 5.52% | 94.48% | 0.73% | 0.73%
0.95 | 0.85 | 0.85 | 1.10 | 1.25% | 98.75% | 0.10% | 0.10%
0.95 | 0.95 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
0.95 | 0.95 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
0.95 | 0.95 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
0.95 | 0.95 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
0.95 | 0.95 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
0.95 | 0.95 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
0.95 | 0.95 | 0.85 | 0.50 | 9.06% | 90.94% | 4.48% | 1.35%
0.95 | 0.95 | 0.85 | 0.80 | 5.52% | 94.48% | 0.73% | 0.73%
0.95 | 0.95 | 0.85 | 1.10 | 1.25% | 98.75% | 0.10% | 0.10%
0.95 | 1.00 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
0.95 | 1.00 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
0.95 | 1.00 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
0.95 | 1.00 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
0.95 | 1.00 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
0.95 | 1.00 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
0.95 | 1.00 | 0.85 | 0.50 | 9.06% | 90.94% | 4.48% | 1.35%
0.95 | 1.00 | 0.85 | 0.80 | 5.52% | 94.48% | 0.73% | 0.73%
0.95 | 1.00 | 0.85 | 1.10 | 1.25% | 98.75% | 0.10% | 0.10%
0.95 | 1.10 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
0.95 | 1.10 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
0.95 | 1.10 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
0.95 | 1.10 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
0.95 | 1.10 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
0.95 | 1.10 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
0.95 | 1.10 | 0.85 | 0.50 | 9.06% | 90.94% | 4.48% | 1.35%
0.95 | 1.10 | 0.85 | 0.80 | 5.52% | 94.48% | 0.73% | 0.73%
0.95 | 1.10 | 0.85 | 1.10 | 1.25% | 98.75% | 0.10% | 0.10%
1.00 | 0.85 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
1.00 | 0.85 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
1.00 | 0.85 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
1.00 | 0.85 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
1.00 | 0.85 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
1.00 | 0.85 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
1.00 | 0.85 | 0.85 | 0.50 | 9.17% | 90.83% | 4.48% | 1.35%
1.00 | 0.85 | 0.85 | 0.80 | 5.62% | 94.38% | 0.73% | 0.73%
1.00 | 0.85 | 0.85 | 1.10 | 1.35% | 98.65% | 0.10% | 0.10%
1.00 | 0.95 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
1.00 | 0.95 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
1.00 | 0.95 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
1.00 | 0.95 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
1.00 | 0.95 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
1.00 | 0.95 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
1.00 | 0.95 | 0.85 | 0.50 | 9.17% | 90.83% | 4.48% | 1.35%
1.00 | 0.95 | 0.85 | 0.80 | 5.62% | 94.38% | 0.73% | 0.73%
1.00 | 0.95 | 0.85 | 1.10 | 1.35% | 98.65% | 0.10% | 0.10%
1.00 | 1.00 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
1.00 | 1.00 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
1.00 | 1.00 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
1.00 | 1.00 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
1.00 | 1.00 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
1.00 | 1.00 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
1.00 | 1.00 | 0.85 | 0.50 | 9.17% | 90.83% | 4.48% | 1.35%
1.00 | 1.00 | 0.85 | 0.80 | 5.62% | 94.38% | 0.73% | 0.73%
1.00 | 1.00 | 0.85 | 1.10 | 1.35% | 98.65% | 0.10% | 0.10%
1.00 | 1.10 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
1.00 | 1.10 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
1.00 | 1.10 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
1.00 | 1.10 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
1.00 | 1.10 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
1.00 | 1.10 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
1.00 | 1.10 | 0.85 | 0.50 | 9.17% | 90.83% | 4.48% | 1.35%
1.00 | 1.10 | 0.85 | 0.80 | 5.62% | 94.38% | 0.73% | 0.73%
1.00 | 1.10 | 0.85 | 1.10 | 1.35% | 98.65% | 0.10% | 0.10%
1.10 | 0.85 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
1.10 | 0.85 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
1.10 | 0.85 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
1.10 | 0.85 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
1.10 | 0.85 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
1.10 | 0.85 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
1.10 | 0.85 | 0.85 | 0.50 | 9.17% | 90.83% | 4.48% | 1.35%
1.10 | 0.85 | 0.85 | 0.80 | 5.62% | 94.38% | 0.73% | 0.73%
1.10 | 0.85 | 0.85 | 1.10 | 1.35% | 98.65% | 0.10% | 0.10%
1.10 | 0.95 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
1.10 | 0.95 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
1.10 | 0.95 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
1.10 | 0.95 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
1.10 | 0.95 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
1.10 | 0.95 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
1.10 | 0.95 | 0.85 | 0.50 | 9.17% | 90.83% | 4.48% | 1.35%
1.10 | 0.95 | 0.85 | 0.80 | 5.62% | 94.38% | 0.73% | 0.73%
1.10 | 0.95 | 0.85 | 1.10 | 1.35% | 98.65% | 0.10% | 0.10%
1.10 | 1.00 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
1.10 | 1.00 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
1.10 | 1.00 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
1.10 | 1.00 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
1.10 | 1.00 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
1.10 | 1.00 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
1.10 | 1.00 | 0.85 | 0.50 | 9.17% | 90.83% | 4.48% | 1.35%
1.10 | 1.00 | 0.85 | 0.80 | 5.62% | 94.38% | 0.73% | 0.73%
1.10 | 1.00 | 0.85 | 1.10 | 1.35% | 98.65% | 0.10% | 0.10%
1.10 | 1.10 | 0.65 | 0.50 | 0.73% | 99.27% | 1.77% | 0.10%
1.10 | 1.10 | 0.65 | 0.80 | 0.21% | 99.79% | 0.31% | 0.00%
1.10 | 1.10 | 0.65 | 1.10 | 0.00% | 100.00% | 0.00% | 0.00%
1.10 | 1.10 | 0.75 | 0.50 | 3.44% | 96.56% | 3.65% | 0.21%
1.10 | 1.10 | 0.75 | 0.80 | 1.88% | 98.12% | 0.52% | 0.00%
1.10 | 1.10 | 0.75 | 1.10 | 0.10% | 99.90% | 0.10% | 0.00%
1.10 | 1.10 | 0.85 | 0.50 | 9.17% | 90.83% | 4.48% | 1.35%
1.10 | 1.10 | 0.85 | 0.80 | 5.62% | 94.38% | 0.73% | 0.73%
1.10 | 1.10 | 0.85 | 1.10 | 1.35% | 98.65% | 0.10% | 0.10%
============================================================
[6] 结论
当前阈值扫描下，未找到 TPR >= 90% 且 FAR 足够低的工作点。
严格结论：
- 这份代码已经形成“设备身份层 + Challenge预测层 + 动态行为层”的三层融合闭环。
- 它比纯预测版更接近真实认证系统，因为不仅判断“像不像这个challenge”，还判断“是不是这台设备”。
- 但它仍不是商用安全闭环，因为没有真实硬件、多月漂移、审计与部署证明。
若下一步要继续逼近商用，核心目标是进一步降低 FAR_sim 与 FAR_impostor。
进程已结束，退出代码为 0
