論文の概要: Towards Energy-Efficient and Secure Edge AI: A Cross-Layer Framework
- arxiv url: http://arxiv.org/abs/2109.09829v1
- Date: Mon, 20 Sep 2021 20:22:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 14:27:08.045619
- Title: Towards Energy-Efficient and Secure Edge AI: A Cross-Layer Framework
- Title（参考訳）: エネルギー効率とセキュアなエッジAIを目指す - クロスレイヤフレームワーク
- Authors: Muhammad Shafique, Alberto Marchisio, Rachmad Vidya Wicaksana Putra,
Muhammad Abdullah Hanif
- Abstract要約: ディープニューラルネットワーク(DNN)とスパイクニューラルネットワーク(SNN)は、リソース制約されたエッジデバイスに対して最先端の結果を提供する。
これらのシステムは、様々なセキュリティと信頼性の脅威の下で、正しい機能を維持する必要がある。
本稿では、まず、異なるシステム層におけるエネルギー効率、信頼性、セキュリティ問題に対処するための既存のアプローチについて論じる。
- 参考スコア（独自算出の注目度）: 13.573645522781712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The security and privacy concerns along with the amount of data that is
required to be processed on regular basis has pushed processing to the edge of
the computing systems. Deploying advanced Neural Networks (NN), such as deep
neural networks (DNNs) and spiking neural networks (SNNs), that offer
state-of-the-art results on resource-constrained edge devices is challenging
due to the stringent memory and power/energy constraints. Moreover, these
systems are required to maintain correct functionality under diverse security
and reliability threats. This paper first discusses existing approaches to
address energy efficiency, reliability, and security issues at different system
layers, i.e., hardware (HW) and software (SW). Afterward, we discuss how to
further improve the performance (latency) and the energy efficiency of Edge AI
systems through HW/SW-level optimizations, such as pruning, quantization, and
approximation. To address reliability threats (like permanent and transient
faults), we highlight cost-effective mitigation techniques, like fault-aware
training and mapping. Moreover, we briefly discuss effective detection and
protection techniques to address security threats (like model and data
corruption). Towards the end, we discuss how these techniques can be combined
in an integrated cross-layer framework for realizing robust and
energy-efficient Edge AI systems.
- Abstract（参考訳）: セキュリティとプライバシに関する懸念と、定期的に処理しなければならないデータ量が、コンピューティングシステムのエッジに処理をプッシュしている。
リソース制約のあるエッジデバイスに最先端の成果を提供するディープニューラルネットワーク(DNN)やスパイクニューラルネットワーク(SNN)などの先進ニューラルネットワーク(NN)のデプロイは、メモリと電力/エネルギーの制約が厳しいため、難しい。
さらに、これらのシステムは様々なセキュリティと信頼性の脅威の下で正しい機能を維持する必要がある。
本稿ではまず,異なるシステム層,すなわちハードウェア(hw)とソフトウェア(sw)におけるエネルギー効率,信頼性,セキュリティ問題に対処する既存のアプローチについて述べる。
その後、プルーニング、量子化、近似などのHW/SWレベルの最適化により、エッジAIシステムの性能(レイテンシ)とエネルギー効率をさらに向上する方法について議論する。
信頼性の脅威(永久障害や一時的な障害など)に対処するため、我々は、フォールトアウェアトレーニングやマッピングのようなコスト効率の高い緩和技術を強調します。
さらに,セキュリティの脅威(モデルやデータ破損など)に対処するための効果的な検出と保護手法について簡単に論じる。
最終的には、ロバストでエネルギー効率のよいエッジAIシステムを実現するために、これらの技術が統合されたクロスレイヤフレームワークにどのように組み合わせられるかについて議論する。
関連論文リスト
- SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - Enhancing Critical Infrastructure Cybersecurity: Collaborative DNN Synthesis in the Cloud Continuum [0.0]
研究者は、重要なインフラストラクチャ(CI)システムのコスト効率と効率を高めるために、IoTとクラウド継続とAIの統合を検討している。
しかし、この統合はCIシステムのサイバー攻撃に対する感受性を高め、停電、石油流出、核事故などの破壊につながる可能性がある。
我々は、訓練されたエッジクラウドモデルを使用して、中央クラウドモデルを合成する革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-05-23T00:36:45Z) - Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems [1.749521391198341]
日々の生活にIoT(Internet of Things)アプリケーションを統合することで、データトラフィックが急増し、重大なセキュリティ上の問題が発生しています。
本稿では、コストと精度のバランスの取れたトレードオフを見つけるための新しい手法を導入することにより、エッジレベルでのMLベースのIDSの有効性を向上させることに焦点を当てる。
論文 参考訳（メタデータ） (2024-04-29T21:26:18Z) - Generative AI for Secure Physical Layer Communications: A Survey [80.0638227807621]
Generative Artificial Intelligence(GAI)は、AIイノベーションの最前線に立ち、多様なコンテンツを生成するための急速な進歩と非並行的な能力を示す。
本稿では,通信ネットワークの物理層におけるセキュリティ向上におけるGAIの様々な応用について,広範な調査を行う。
私たちは、物理的レイヤセキュリティの課題に対処する上で、GAIの役割を掘り下げ、通信の機密性、認証、可用性、レジリエンス、整合性に重点を置いています。
論文 参考訳（メタデータ） (2024-02-21T06:22:41Z) - Scalable and Efficient Methods for Uncertainty Estimation and Reduction
in Deep Learning [0.0]
本稿では,ディープラーニングにおける不確実性推定と削減のためのスケーラブルで効率的な手法について検討する。
アウト・オブ・ディストリビューション・インプットとハードウェアの非理想性に起因する不確実性に対処する。
提案手法は,問題認識学習アルゴリズム,新しいNNトポロジ,ハードウェア共同設計ソリューションを含む。
論文 参考訳（メタデータ） (2024-01-13T19:30:34Z) - The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。
本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。
新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
論文 参考訳（メタデータ） (2024-01-03T07:47:22Z) - Scaling #DNN-Verification Tools with Efficient Bound Propagation and
Parallel Computing [57.49021927832259]
ディープニューラルネットワーク(DNN)は多くのシナリオで異常な結果を示した強力なツールです。
しかし、それらの複雑な設計と透明性の欠如は、現実世界のアプリケーションに適用する際の安全性上の懸念を提起する。
DNNの形式的検証(FV)は、安全面の証明可能な保証を提供する貴重なソリューションとして登場した。
論文 参考訳（メタデータ） (2023-12-10T13:51:25Z) - FedDiSC: A Computation-efficient Federated Learning Framework for Power
Systems Disturbance and Cyber Attack Discrimination [1.0621485365427565]
本稿では,フェデレート学習に基づくプライバシ保護と通信効率の高い攻撃検出フレームワークであるFedDiSCを提案する。
我々は、電力システムとサイバーセキュリティの異常を正確に検出するために、表現学習に基づくDeep Auto-Encoderネットワークを提案する。
提案手法を現実のサイバー攻撃検出のタイムラインに適応させるために,DP-SIGNSGDとして知られる勾配プライバシー保護量子化方式を利用する。
論文 参考訳（メタデータ） (2023-04-07T13:43:57Z) - Edge Security: Challenges and Issues [7.315147165274525]
エッジコンピューティングは、データ処理サービスを、データが生成されるネットワークエッジにシフトする。
本稿では,ハードウェア層からシステム層にまたがるエッジネットワークアーキテクチャから発生するセキュリティの脅威と脆弱性について論じる。
論文 参考訳（メタデータ） (2022-06-14T20:49:48Z) - Adversarially Robust Learning for Security-Constrained Optimal Power
Flow [55.816266355623085]
我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。
N-k SCOPFは電力網の運用における中核的な問題である。
N-k SCOPF を極小最適化問題とみなす。
論文 参考訳（メタデータ） (2021-11-12T22:08:10Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z)
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。