该论文提出了一种名为QT-PUF的新型物理不可克隆函数（PUF），专门针对植入式医疗物联网（IoMT）设备设计。此类设备对功耗、面积和安全性有极高要求，传统PUF（如基于存储器、环形振荡器或仲裁器）因额外电路、功耗高或稳定性差而不适用。QT-PUF利用标准CMOS器件中工艺偏差引起的量子隧穿栅极泄漏电流，将其作为唯一指纹。论文设计了一个差分读出电路，采用伪电阻I-V前端将皮安级的泄漏变化转换为数字响应。无需外部激励或稳定化电路，仅在静态偏置下工作，因此功耗极低。基于65nm CMOS工艺的仿真测量显示，熵值高达0.9999998，片内汉明距离（FHD）为0.5001，在1.2V、35°C下平均功耗仅96.04nW/bit（能量19.21fJ/bit）。在典型植入设备的工作条件下（0.9-1.3V，0-100°C），平均误码率低于0.000163（在1.0-1.3V、10-70°C范围内）。结果表明QT-PUF具有良好的唯一性、可靠性和极低功耗，非常适合植入式IoMT设备的硬件安全认证与防篡改。

本文针对医疗物联网（IoMT）环境中日益增长的网络安全威胁，提出了一种基于Tsetlin Machine（TM）的设备端可解释入侵检测系统（IDS）。TM是一种规则驱动的透明机器学习方法，通过命题逻辑表示攻击模式，具有天然的强可解释性。作者使用MedSec-25数据集（涵盖真实网络攻击的多个阶段）进行实验，结果表明所提模型在分类性能上达到97.83%，优于传统机器学习模型和现有最新方法。该系统不仅能高精度检测各类攻击阶段，还能通过特征级贡献、类别投票分数及子句激活热图提供明确的决策解释，增强了模型的可信度。此外，模型成功部署在Raspberry Pi等边缘设备上，支持实时设备端推理与入侵检测。该研究解决了IoMT场景中对于高准确率、可解释性及实时性的三重需求，为安全攸关的医疗应用提供了可行的解决方案。