近年来物联网安全事件频发,引发了人们对于资源受限情境下的轻量级硬件安全机制研究的关注。其中,物理不可克隆函数（PUF）作为一种新的硬件安全原语备受瞩目,其利用IC制造过程中产生的随机物理特性,为每个器件产生独特的激励响应对（CRP）,具有不可克隆的特性。在诸多PUF设计中,强PUF因具有指数级的CRP数量,安全性更高,常被应用于设备认证和身份识别,但是近期的研究表明攻击者能在收集少量CRP的情况下,通过机器学习攻击对强PUF进行克隆,而其他抗机器学习攻击效果好的强PUF结构也面临硬件开销大的痛点。为了解决目前的强PUF结构面临的问题,本文提出了两种低开销的抗机器学习攻击的强PUF防御结构。另外,针对目前对于PUF安全性测试没有统一的测试标准和平台的情况,本文设计了一种通用的基于机器学习的PUF安全性验证系统。本文的主要工作概括如下:（1）提出了一种动态重构混沌PUF结构（CLC-PUF）,该结构通过一个可重构线性移位寄存器（RLFSR）以及一个由LFSR、强PUF和混沌模块组成的可重构单元实现,每接收一次激励后由可重构单元动态的更新RLFSR的反馈函数和初始值,并将其初始化后的状态作为响应输出,响应与激励之间的映射关系呈现为动态的、随机的,以此抵抗建模攻击。通过机器学习攻击实验、性能评估分析以及与其他强PUF防御结构的对比,体现了CLC-PUF能有效抵抗机器学习攻击、性能优异以及硬件开销低的优势。（2）提出了一种基于新型轻量级流式加密算法的PUF结构,其核心思想是利用一个新型逻辑轻量级流式加密算法混淆激励与响应间的映射关系,结构中应用的算法复杂度高,且硬件开销足够小。我们通过攻击实验证明该结构能有效提高强PUF抵抗机器学习攻击的鲁棒性,并评估了该结构的均匀性、唯一性和可靠性,数据显示均接近理想状态。（3）开发了一个基于机器学习的PUF安全性验证系统,在该原型系统中,我们整合了常用的机器学习攻击方法,可以对PUF的安全性进行评估;同时用户也可以在系统中查看到经过测评的PUF数据,有利于用户进行PUF对比。