《SCIENCE ADVANCES》：Privacy-preserving data analysis using a memristor chip with colocated authentication and processing
编辑推荐：
本文介绍了一种名为“共位认证与处理”（CLAP）的忆阻器系统，旨在解决资源受限医疗设备中安全模块与计算模块分离导致的能效与硬件开销问题。研究人员通过将物理不可克隆功能嵌入存内计算架构，并利用差分随机映射方法，在单一硬件上实现了设备认证与数据处理的高度集成。实验证明该系统在多种信息处理任务中表现优异，在确保隐私的同时，显著提升了能效与面积效率，为安全的医疗监测系统提供了有前景的解决方案。
在数字化医疗时代，植入式心脏起搏器、胰岛素泵等设备正变得越来越智能，它们不仅能监测生命体征，还能在设备端进行数据分析，为患者提供及时的预警和治疗。然而，这种便利背后潜藏着巨大的隐私与安全风险。2017年，圣犹达医疗公司的一次安全漏洞影响了多达46.5万台心脏设备，而针对胰岛素泵的攻击甚至能篡改治疗参数。这些事件尖锐地指出，在实现必要医疗监控与诊断功能的同时，必须确保患者敏感信息的机密性。然而，当前的硬件解决方案似乎陷入了两难境地：为了安全，通常将认证与计算模块分开；为了提高效率，又希望存储与计算单元能紧密协作。结果是，传统的数字互补金属氧化物半导体实现方案带来了冗余的硬件开销，而遵循冯·诺依曼架构的设计则引入了巨大的数据传输瓶颈，这在电池寿命和体积都受限的植入式医疗设备中，成为了难以承受之重。
正是在这样的背景下，一项发表于《SCIENCE ADVANCES》的研究带来了突破性的思路。研究人员没有在“安全”与“高效”之间做选择题，而是提出了一种名为“基于忆阻器的共位认证与处理系统”。其核心理念颇具巧思：为何不让同一套硬件既负责“验明正身”，又承担“数据处理”的重任？他们瞄准了忆阻器阵列这一独特平台，它同时具备两种看似矛盾的潜力：一方面，其固有的物理随机性可以作为物理不可克隆功能，为每颗芯片生成独一无二的“指纹”，用于设备认证；另一方面，它又能实现高效的存内计算，直接在数据存储的位置进行计算，大幅降低能耗。但将两者真正“共位”集成到一个共享的忆阻器阵列中，却面临根本性的矛盾：PUF需要利用不可预测的随机性来生成独特响应，而CIM则要求跨设备的一致、确定性计算；许多PUF方法需要变化的电导来产生熵，而CIM则需要稳定的电导来实现可靠的权重。这好比要求同一个演员既要在舞台上即兴发挥，又要一丝不苟地执行预设剧本。
为了破解这一矛盾，研究团队提出了“差分随机映射”这一核心方法。简单来说，他们将成对的忆阻器矩阵之间的电导差值用于提供确定性的CIM计算权重，而这些矩阵的不同组合则用于生成随机的PUF指纹。这一方法巧妙地将差分表示中固有的冗余，通过信息论分析转化为了安全所需的熵。为了验证这一方法，研究人员开发了一个130纳米工艺的集成模拟忆阻器芯片，并构建了包含该芯片、模数转换器、现场可编程门阵列控制板和电源板的完整测试平台。
该研究的核心技术创新点主要包括：差分随机映射方法，成功调和了PUF的随机性与CIM的确定性需求；为支持双功能操作而设计的专用电路架构，包括用于模式切换的列选择模块和高/低精度模数转换器策略；以及用于实现多层离散小波变换等算法的直接输出策略，将多级运算整合为单步向量矩阵乘法，提升了计算效率。
研究结果部分从多个维度验证了CLAP系统的可行性与优势。
在差分随机映射方法方面，研究通过一个3x3矩阵的示意图例，直观展示了如何利用差分值和忆阻器组合分别实现CIM矩阵和PUF指纹。设计的专用电路支持CIM和PUF双模式切换，并采用高精度ADC和低精度ADC分别适配计算与认证任务。制备的128K单元忆阻器芯片基于TiN/TaOx/HfO2/TiN材料堆叠和1T1R结构，其器件展示了模拟电导可调性（用于CIM）和固有的随机性（用于PUF），为双功能实现奠定了基础。
在信号处理与神经网络应用的普适性方面，研究展示了CLAP在离散小波变换、离散傅里叶变换和压缩感知等经典信号处理算法，以及多层感知器神经网络上的有效性。例如，在实现两层级DWT时，系统表现出较高的计算精度，对真实脑电图信号的处理结果与软件实现高度一致。同时，集成在DWT和DFT实现中的PUF表现出接近理想的安全性指标，包括低比特错误率、以及接近0.5的唯一性、扩散性和均匀性。
在安全心电监测的应用验证方面，研究将CLAP部署于心电图数据收集场景，集成设备认证与数据压缩功能。在认证方面，系统在40个不同CLAP上实现了高达0.9946的平均曲线下面积。在数据处理方面，使用压缩感知算法对来自MIT-BIH数据库的真实ECG信号进行压缩，其计算结果与软件结果平均相关系数达0.991，重构信号百分比均方根差为18.67%，与软件水平相当。性能对标分析表明，与传统的65纳米CMOS实施方案相比，CLAP在完成相同认证与压缩任务时，能效提升146.0倍，面积减少17.6倍。
综上所述，这项研究成功开发了一种能同时满足生物医学设备对安全性和能效关键需求的忆阻器CLAP系统。通过差分随机映射方法，在共享的忆阻器阵列内无缝集成了PUF与CIM功能。该系统被证明在从经典信号处理到神经网络的多种算法中具有普适性，并在如安全ECG数据收集等实际应用中有效，实现了近乎理想的认证性能和高效的数据处理。与常规硬件相比，CLAP在能效和面积上实现了数量级的提升。该系统的安全性源于挑战-响应过程的固有非线性，这完全不同于CIM操作中的线性计算，从而在提供强大安全防护的同时不牺牲计算精度。这一创新方法不仅增强了生物医学设备的功能，也为未来安全、高能效的医疗技术发展奠定了基础。其原理有望扩展到其他具有类似可编程电导和自然变异特性的忆阻技术，以及其他基于向量矩阵乘法的算法中，在需要安全高效计算的其他领域也具有广泛的应用前景。
