随着物联网的兴起和信息技术的发展，假冒伪劣问题成为了日益严重的全球性问题,对社会造成了严重的危害。尽管近年来很多防伪技术都得到了长足的发展，但是这些系统本身存在着确定性的制造和编码过程，容易被模仿和复制从而导致防伪失效。因此亟需一种稳健的、用途广泛且不易被破坏的防伪技术来保护信息安全。PUFs是目前最前沿的防伪技术之一，能够提供稳健的、不可克隆的安全认证体系。PUFs利用物理系统在非确定性制造过程中引入的固有随机性，在外部刺激（挑战）下产生随机、独特且不可预测的输出（响应），极难被复制或模仿，是一种高度安全且难以破解的识别和加密方法。
光学PUFs是现有PUFs器件的重要分支之一，但现有的光学PUFs大多由生物不相容和不可生物降解的材料组成，在制造和使用过程中容易造成环境污染和健康危害。尽管这些问题可以使用天然生物质材料克服，但现存的生物质PUFs多数只支持单一的加密方式，降低了PUFs系统的复杂程度，增加了被攻击的风险。同时，大多数生物质PUFs依赖于能源密集的制备过程和复杂的认证设备，限制了其在实际中的应用。因此，需要一种新的策略来将可持续材料、简单制造、便捷认证、强大的安全加密集成到一个PUF平台当中，以有效满足各种应用。
（1）多模式光学编码、多级加密密钥、多种认证方式集成的防伪平台
如图1所示，研究团队利用仿生矿化技术和压印技术在丝蛋白膜中嵌入了无序的单层荧光方解石颗粒阵列，制备了基于荧光方解石的光学PUFs标签。通过在仿生矿化生长过程中引入荧光分子，使得方解石颗粒在保有晶体双折射性质的基础上，还具有了荧光性质，进而使该标签能够在双折射模式、荧光模式和图像识别模式下分别完成认证识别功能，实现多模式的光学编码。双折射模式来自于方解石的晶体结构，共有两种形式：一步式认证法，和多角度读取的多级认证法。荧光模式来自于引入的荧光分子，也分为两种形式：三RGB颜色通道独立编码和RGB通道混合的8值化编码。在此之外，结合深度学习技术完成图像识别功能，能够生成第三类数字编码。使用者可以依据自己对于加密级别和读取设备的需求，灵活地选择一种或组合多种认证模式。
图1（a）方解石PUF标签示意图；（b）方解石PUF标签实物图，比例尺：1 cm；（c）方解石颗粒SEM图像，比例尺：25 μm（上排），10 μm（下排）；（d）方解石颗粒双折射图像，比例尺：250 μm；（e）不同荧光色方解石颗粒的荧光强度。
（2）双折射模式下PUFs标签的数字化编码
为了对PUFs标签的读取结果进行定量分析，研究团队将样品的双折射图像进行了二值化处理，得到了双折射模式下1比特和0比特的独特组合（图2）。一般来说，PUFs标签的安全性由位均匀性、唯一性和可靠性三个指标进行评估。基于上述的处理，该模式下PUFs标签的位均匀性结果为0.4999，唯一性结果为0.5001，可靠性结果为0.0234，都十分接近于理想值（分别为：0.5，0.5，0），证明在双折射模式下标签具有优异的性质。此外，研究团队还在此基础上对标签的编码容量和多值化问题进行了讨论。
图2（a）基于双折射图像的二进制编码矩阵；（b）PUFs样品的汉明距离；（c）在两次测量中对任意两个PUFs标签进行比较。
在上述双折射模式的基础上，通过进一步引入偏振角度的变化，能够实现更加复杂的编码形式。如图3所示，起偏器和检偏器一直保持正交状态，PUF标签的双折射强度会随标签与正交偏振器之间夹角的变化而变化。在PUF标签旋转一周的过程中，方解石颗粒的双折射强度会发生4次周期性的变化：每90°会发生一次消光，双折射强度的极值会出现在两次消光之间。基于这种角度依赖的光强信号和每个方解石颗粒随机分布的光轴，可以实现角度依赖的编码和认证。对同一块PUF标签在不同角度下进行多层二值化编码，使得系统的熵值成倍增加，让伪造和复制行为变得更加困难。
图3 改变PUF标签和正交偏振片之间的夹角所对应的示意图和光学显微镜图像。
（3）荧光模式下PUFs标签的数字化编码
如图4a-c,在不同的激发光下同一个PUF标签上能够独立地观察到不同荧光色的方解石颗粒。将三种荧光色作为三个独立的通道对显微镜图像进行二值化编码，并分别计算三个荧光通道的位均匀性、唯一性和可靠性。所有的数据都在理想范围内，证明了三种荧光色可以作为独立通道运行，实现PUFs标签在荧光模式下的认证。
图4（a-c）同一个PUF标签在358 nm（a），488 nm（b）和500 nm（c）激发光下的荧光显微镜图像的二进制编码矩阵；（d）8值化彩色编码图像。
通过同时激发和记录三种荧光色，可以组合RGB三通道得到全彩色的PUF输出（图4d）。每个像素都由红、绿、蓝三位通道组成，并根据相应颜色通道的荧光强度为每个通道分配1或0的值，每位像素形成8种可能的编码。因此，RGB三通道混合可以形成8值化彩色编码。在这种情况下，PUFs标签同样表现出良好的性能，并具有更高的编码能力，能够适应更加复杂的应用场景。
（4）利用神经网络实现PUFs标签的图像识别
在荧光模式下，PUFs标签的荧光能够被数码相机快速读取，因此基于深度学习技术的图像识别功能能够很好的用于PUFs标签的认证。使用卷积神经网络模型进行PUFs标签的认证能够在不降低准确性的前提下极大的减少识别的复杂程度，提高识别速度（图5）。在合理的损失数值内，研究团队所构建的模型准确率能够达到97.5%。
图5 图像识别认证流程示意图：使用者拍摄标签的图像并输入模型中进行认证，模型识别图像并返回置信数值，如果数值高于阈值则标签为真，反之为假。
模型建立后，对模型的识别能力进行测试，最大测试集共200张图像。将识别阈值设置为90%时，模型的错误识别率为0，即模型能够正确地识别所有的真PUFs标签，同时不会有假标签被错误地认证成功。训练后的模型具有优异的图像识别能力和较高的识别效率。
（5）PUFs标签的多样化应用
PUFs标签在应用过程中需要具有能够应对不同环境的稳健性能。研究团队分别对方解石PUFs标签进行了高温测试、机械力测试、深紫外光照测试、高湿度测试和重金属盐荧光猝灭测试。在各种极端环境下，PUFs标签都具有良好的稳健性。由于丝蛋白的加工灵活性、柔性和粘附性，PUFs标签具备良好的图案化能力和共形接触能力。在应用中，不同形式的图案化标签能够被粘贴在不同的物体表面，标签既不会对物品本身产生负面影响，又可以作为防伪标识实现相应的功能。
图6 PUFs标签的多形式应用。（I, II）初级防伪（P-level）；（III-V）高级防伪（A-level）；消费者选择初级或高级防伪模式，拍摄图像，然后将图像上传至系统中完成认证（II or V）；（III）从初级防伪到高级防伪；（I'）直接激活或整合高级防伪认证，实现可扩展的身份验证。
在单个PUF标签上集成多种认证模式可以有效的增加标签的复杂性和安全性，还能在定制认证、灵活访问、自适应认证、容错和可扩展性等几个重要方面增强其实用性。整个PUF认证系统可以分为两部分（图6），即初级防伪（P-level）和高级防伪(A-level)。在认证过程中，消费者根据条件在系统内选择一种或多种P-level模式进行认证，拍摄标签图像，然后输入系统。在此阶段，认证可以终止，也可以根据要求进入A-level认证阶段。A-level阶段只在P-level认证成功后才会开启。只有通过必要的认证，才能保证产品的真实性。随着安全需求的增长，如果需要扩展身份验证系统，那么系统可以直接开启A-level认证来代替P-level认证，从而完成认证系统的扩展更新。充分利用不同认证技术的优势，方解石PUFs标签能够提供一个安全、灵活、可靠的认证系统以适应各种应用场景。
论文链接：
https://doi.org/10.1002/adma.202409170
