在资源受限的物联网应用中难以部署必要的安全认证协议。近期,基于电压过度缩放的轻量级认证（Voltage over-scaling based lightweight authentication,VOLt A）作为一种很有应用前景的新型轻量级硬件指纹认证技术被提出,用以解决这一难题。电路计算单元（如加法器）在电压过度缩放（Voltage over-scaling,VOS）的条件下会产生计算误差,这些计算误差依赖于芯片制造过程中难以预测的工艺偏差,具有较好的唯一性和可靠性,可以被用作为芯片的硬件指纹对设备进行身份认证。然而,与传统的硬件指纹认证技术——物理不可克隆函数（Physical unclonable function,PUF）一样,VOLt A同样难以抵抗机器学习建模攻击。本文设计了VOLt A的近似攻击模型,利用机器学习攻击方法成功建模攻破VOLt A,并提出一种激励自混淆结构用以抵御机器学习建模攻击。此外,本文还设计了一种基于VOS的对抗样本防御技术,创新性利用硬件指纹技术提升神经网络安全。VOLt A利用行波进位加法器（Ripple carry adder,RCA）在VOS下产生的计算误差进行身份认证,本文设计了VOLt A的近似攻击模型,成功攻破VOLt A。通过对RCA电路进行逻辑门解剖建模以及对VOLt A进行结构分析,本文建立了VOLt A的近似攻击模型,并结合机器学习算法完成有效攻击。同时,RCA在VOS下产生的计算误差与时序信息相关,考虑到循环神经网络（Recurrent neural network,RNN）主要用于处理序列数据,可以更好的处理时序信息,本文首次利用RNN进行建模并完成较好的攻击效果。实验结果表明:人工神经网络（Artificial neural networks,ANN）、RNN以及协方差矩阵自适应进化策略（Covariance matrix adaptation evolution strategy,CMA-ES）都能有效克隆VOLt A的激励响应行为,其中RNN攻击模型的建模准确率高达99.65%。本文提出了激励自混淆结构（Challenge self-obfuscation structure,CSo S）。其核心思想是结合先前时序激励与密钥或随机数生成动态的新密钥,再利用动态新密钥混淆当前时序激励,并用激励关联性增强算法来增强先前时序与当前时序激励的关联性以提高抗机器学习建模能力。CSo S不仅可以部署到VOLt A上,同时还适用于其他用于认证的强PUF（如Arbiter PUF）技术,并且都取得了较好的混淆效果。实验结果表明:VOLt A在部署CSo S后,机器学习对其的建模预测准确率降至51.2%;Arbiter PUF在部署CSo S后,即使收集到106的激励响应对,诸如逻辑回归、支持向量机、ANN、RNN以及CMA-ES等机器学习算法的建模准确率也都低于54%。本文设计了一种基于VOS的对抗样本防御技术以提升神经网络对对抗样本的防御能力,其核心思想是利用VOS技术对神经网络模型的训练集进行随机化处理,训练处理后的数据集生成多个新的神经网络模型,并利用多冗余模型对对抗样本进行集成分类检测以阻断对抗样本在不同模型间的转移从而达到防御目的。实验结果表明:基于VOS的防御技术对FGSM、IGSM、Deep Fool以及CW攻击生成的对抗样本都具有防御效果。