論文の概要: MacLeR: Machine Learning-based Run-Time Hardware Trojan Detection in
Resource-Constrained IoT Edge Devices
- arxiv url: http://arxiv.org/abs/2011.11632v1
- Date: Sat, 21 Nov 2020 00:45:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 23:43:35.076833
- Title: MacLeR: Machine Learning-based Run-Time Hardware Trojan Detection in
Resource-Constrained IoT Edge Devices
- Title（参考訳）: MacLeR: リソース制約IoTエッジデバイスにおける機械学習ベースの実行時ハードウェアトロイの木馬検出
- Authors: Faiq Khalid, Syed Rafay Hasan, Sara Zia, Osman Hasan, Falah Awwad,
Muhammad Shafique
- Abstract要約: 機械学習に基づくリアルタイムハードウェアトロイの木馬検出フレームワークであるMacLeRを提案する。
データ取得のオーバーヘッドを軽減するため、時間分割多重化における電流センサを用いた1つの電力ポート電流取得ブロックを提案する。
最先端のHT検出技術と比較して、MacLeRは、面積と電力オーバーヘッドを7倍に削減しながら、10%優れたHT検出精度(96.256%)を達成する。
- 参考スコア（独自算出の注目度）: 10.227052612960678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional learning-based approaches for run-time Hardware Trojan detection
require complex and expensive on-chip data acquisition frameworks and thus
incur high area and power overhead. To address these challenges, we propose to
leverage the power correlation between the executing instructions of a
microprocessor to establish a machine learning-based run-time Hardware Trojan
(HT) detection framework, called MacLeR. To reduce the overhead of data
acquisition, we propose a single power-port current acquisition block using
current sensors in time-division multiplexing, which increases accuracy while
incurring reduced area overhead. We have implemented a practical solution by
analyzing multiple HT benchmarks inserted in the RTL of a system-on-chip (SoC)
consisting of four LEON3 processors integrated with other IPs like vga_lcd,
RSA, AES, Ethernet, and memory controllers. Our experimental results show that
compared to state-of-the-art HT detection techniques, MacLeR achieves 10\%
better HT detection accuracy (i.e., 96.256%) while incurring a 7x reduction in
area and power overhead (i.e., 0.025% of the area of the SoC and <0.07% of the
power of the SoC). In addition, we also analyze the impact of process variation
and aging on the extracted power profiles and the HT detection accuracy of
MacLeR. Our analysis shows that variations in fine-grained power profiles due
to the HTs are significantly higher compared to the variations in fine-grained
power profiles caused by the process variations (PV) and aging effects.
Moreover, our analysis demonstrates that, on average, the HT detection accuracy
drop in MacLeR is less than 1% and 9% when considering only PV and PV with
worst-case aging, respectively, which is ~10x less than in the case of the
state-of-the-art ML-based HT detection technique.
- Abstract（参考訳）: リアルタイムハードウェアトロイの木馬検出のための従来の学習ベースのアプローチでは、複雑で高価なオンチップデータ取得フレームワークが必要であるため、高い領域と電力オーバーヘッドが発生する。
これらの課題に対処するために,マイクロプロセッサの実行命令間の電力相関を利用して,機械学習に基づくハードウェアトロイの木馬検出フレームワーク(MacLeR)を構築することを提案する。
本研究では,データ取得のオーバーヘッドを低減するため,時間分割多重化における電流センサを用いた単一の電力ポート電流取得ブロックを提案する。
我々は,システムオンチップ(SoC)のRTLに挿入される複数のHTベンチマークを,vga_lcd,RSA,AES,イーサネット,メモリコントローラなどの他のIPと統合された4つのLEON3プロセッサで解析することで,実用的なソリューションを実装した。
実験の結果,MacLeRは最先端HT検出技術と比較して10倍のHT検出精度(96.256%)を達成し,面積と電力オーバーヘッド(SoC面積の0.025%,SoC電力の0.07%)の7倍の低減を実現した。
また,プロセス変動と老化が抽出された電力プロファイルとマクラーのht検出精度に与える影響についても検討した。
解析の結果,HTsによる微粒化パワープロファイルの変動は,プロセス変動(PV)と加齢効果による微粒化パワープロファイルの変動に比べて有意に高いことがわかった。
また,本解析では,最悪の場合のpvとpvのみを考慮した場合,平均してht検出精度の低下は1%以下,9%以下であり,これは最先端mlベースのht検出技術に比べて約10倍小さいことが示された。
関連論文リスト
- Comparison of edge computing methods in Internet of Things architectures for efficient estimation of indoor environmental parameters with Machine Learning [0.0]
室内環境品質(IEQ)パラメータを推定する軽量機械学習モデルを提案する。
その実装は、集中化された分散並列IoTアーキテクチャに基づいており、無線で接続されている。
MLモデルのトレーニングとテストは、小さな温度と照度データセットに焦点を当てた実験によって達成される。
論文 参考訳（メタデータ） (2024-02-07T21:15:18Z) - Evasive Hardware Trojan through Adversarial Power Trace [6.949268510101616]
我々は,HT検出をバイパスするためのHT難読化(HTO)手法を提案する。
HTOはASICとFPGA用の1つのトランジスタで実装できる。
適応攻撃者は、スペクトルノイズ予算で設計を制約することで、まだ回避可能なHTOを設計可能であることを示す。
論文 参考訳（メタデータ） (2024-01-04T16:28:15Z) - Towards Automatic Power Battery Detection: New Challenge, Benchmark
Dataset and Baseline [70.30473488226093]
PBD(パワーバッテリ検出)と呼ばれる新しいタスクに関する総合的研究を行う。
X線画像から高密度陰極と陽極板のエンドポイントをローカライズし、電池の品質を評価することを目的としている。
我々は,多次元協調ネットワーク(MDCNet)と呼ばれるPBDのための新しいセグメンテーションベースソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-05T06:18:38Z) - Q-DETR: An Efficient Low-Bit Quantized Detection Transformer [50.00784028552792]
Q-DETRのボトルネックは、我々の経験的分析によるクエリ情報の歪みから生じる。
情報ボトルネック(IB)の原理をQ-DETRの学習に一般化することで導出できる2レベル最適化問題としてDRDを定式化する。
本研究では,教師情報を蒸留所要の機能に効果的に転送し,条件情報エントロピーを最小化する,フォアグラウンド対応クエリマッチング手法を提案する。
論文 参考訳（メタデータ） (2023-04-01T08:05:14Z) - Q-ViT: Accurate and Fully Quantized Low-bit Vision Transformer [56.87383229709899]
我々は、完全量子化視覚変換器(Q-ViT)のための情報修正モジュール(IRM)と分配誘導蒸留法を開発した。
我々の手法は、先行技術よりもはるかに優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-10-13T04:00:29Z) - ATTRITION: Attacking Static Hardware Trojan Detection Techniques Using
Reinforcement Learning [6.87143729255904]
我々は強化学習(RL)を用いた自動でスケーラブルで実用的な攻撃フレームワークATTRITIONを開発した。
ATTRITIONは2つのHT検出カテゴリにわたる8つの検出テクニックを回避し、その挙動を示す。
我々は、ATTRITIONが、広く使われている学術スイートから、オープンソースのMIPSやmor1kxプロセッサ、AESやGPSモジュールなど、より大きな設計まで、さまざまな設計を評価することによって、検出技術を回避する能力を実証する。
論文 参考訳（メタデータ） (2022-08-26T23:47:47Z) - Seizure Detection and Prediction by Parallel Memristive Convolutional
Neural Networks [2.0738462952016232]
本稿では,低レイテンシ並列畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
本ネットワークは,てんかん発作検出では99.84%,てんかん発作予測では97.54%のクロスバリデーション精度を達成している。
CNNは22nm FDSOI CMOSプロセスで31.255mm$2$の面積を占有しながら約2.791Wの電力を消費すると推定されている。
論文 参考訳（メタデータ） (2022-06-20T18:16:35Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - MAPLE: Microprocessor A Priori for Latency Estimation [81.91509153539566]
現代のディープニューラルネットワークは、低レイテンシとエネルギー消費を示しながら最先端の精度を示す必要がある。
評価されたアーキテクチャのレイテンシの測定は、NASプロセスにかなりの時間を加えます。
転送学習やドメイン適応に依存しない推定用マイクロプロセッサAプライオリティを提案する。
論文 参考訳（メタデータ） (2021-11-30T03:52:15Z) - Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。
scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
論文 参考訳（メタデータ） (2021-05-10T23:51:14Z) - pAElla: Edge-AI based Real-Time Malware Detection in Data Centers [19.967347450443803]
我々は、高解像度電力消費におけるAI駆動エッジコンピューティングを含むDC/SCのセキュリティを高めるための新しいアプローチについて報告する。
pAEllaと呼ばれるこの方法は、リアルタイムマルウェア検出(MD)をターゲットにしており、DC/SC用のアウトオブバンドIoTベースの監視システムで動作し、電力測定のパワースペクトル密度を含む。
F1スコアは1に近づき、False AlarmとMalware Missは0%に近づいた。
論文 参考訳（メタデータ） (2020-04-07T19:48:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。