論文の概要: Pseudo Random Number Generator using Internet-of-Things Techniques on Portable Field-Programmable-Gate-Array Platform

• arxiv url: http://arxiv.org/abs/2505.03741v1
• Date: Wed, 02 Apr 2025 20:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.386332
• Title: Pseudo Random Number Generator using Internet-of-Things Techniques on Portable Field-Programmable-Gate-Array Platform
• Title（参考訳）: インターネット・オブ・Things技術を用いた携帯型フィールド・プログラマ・ゲート・アレイプラットフォームを用いた擬似乱数生成
• Authors: Tee Hui Teo,
• Abstract要約: 本稿では、FPGAプラットフォーム上に実装されたロジスティックマップ、ダブル振り子、マルチLFSRを含む3つのIoTベースのPRNGモデルの比較研究を行う。 Multi-LFSR、ロジスティックマップ、ダブル振り子モデルと比較すると、完全な品質のランダム性が得られる。 Multi-LFSRは、低レイテンシ、消費電力、リソース効率設計のため、独自のものになっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper conducts a comparative study of three IoT-based PRNG models, including Logistic Map, Double Pendulum, and Multi-LFSR, implemented on an FPGA platform. Comparisons are made across key performance metrics like randomness, latency, power consumption, hardware resource usage, energy efficiency, scalability, and application suitability. Compared to Multi-LFSR, Logistic Map, and Double Pendulum Models provide perfect quality randomness, which is quite apt for high-security grade applications; however, the requirements of these models concerning power and hardware resources are also considerably high. By contrast, the Multi-LFSR comes into its own due to its lower latency, power consumption, and resource-efficient design. It is, therefore, suited for embedded or real-time applications. Furthermore, environmental sensors will also be introduced as entropy sources for the PRNGs to enhance the randomness of the systems, particularly in IoT-enabled battery-powered FPGA platforms. The experimental results confirm that the Multi-LFSR model has the highest energy efficiency, while the Logistic Map and Double Pendulum outperform in generating numbers with very high security. The study thus provides a deeper insight into decision-making for selecting PRNG models.
• Abstract（参考訳）: 本稿では、FPGAプラットフォーム上に実装されたロジスティックマップ、ダブル振り子、マルチLFSRを含む3つのIoTベースのPRNGモデルの比較研究を行う。 ランダム性、レイテンシ、電力消費、ハードウェアリソース使用量、エネルギー効率、スケーラビリティ、アプリケーション適合性といった主要なパフォーマンス指標を比較します。 マルチLFSR、ロジスティックマップ、ダブル振り子モデルと比較すると、完全品質のランダム性は高いセキュリティレベルのアプリケーションに非常に適しているが、電力とハードウェアリソースに関するこれらのモデルの要件もかなり高い。 対照的に、Multi-LFSRは低レイテンシ、消費電力、リソース効率設計のために独自のものになっている。 したがって、組み込みアプリケーションやリアルタイムアプリケーションに適している。 さらに、環境センサはPRNGのエントロピー源として導入され、特にIoT対応のバッテリ駆動FPGAプラットフォームにおいてシステムのランダム性を高める。 実験結果から,複数LFSRモデルが最もエネルギー効率が高いことが確認された。 この研究は、PRNGモデルを選択するための意思決定について、より深い洞察を与える。

関連論文リスト

• A Pseudo-random Number Generator for Multi-Sequence Generation with Programmable Statistics [1.7243216387069678]
  本稿では,特定のアプリケーションのニーズに合わせてプログラム可能な統計量を用いて,複数の非相関配列を同時に生成できるハードウェアPRNGを提案する。 PRNGの面積は約 0.0013mm2 であり、エネルギー消費量は 0.57pJ/bit である。
  論文  参考訳（メタデータ） (2024-12-31T00:06:09Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• AdaLog: Post-Training Quantization for Vision Transformers with Adaptive Logarithm Quantizer [54.713778961605115]
  Vision Transformer (ViT) はコンピュータビジョンコミュニティにおいて最も普及しているバックボーンネットワークの1つである。 本稿では,AdaLog(Adaptive Logarithm AdaLog)量子化器を提案する。
  論文  参考訳（メタデータ） (2024-07-17T18:38:48Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• Deep Learning Models in Speech Recognition: Measuring GPU Energy Consumption, Impact of Noise and Model Quantization for Edge Deployment [0.0]
  本研究では, NVIDIA Jetson Orin Nanoにおける各種ASRモデル推論の性能に及ぼす量子化, メモリ要求, エネルギー消費の影響について検討した。 その結果、fp32からfp16への精度変更は、異なるモデル間での音声書き起こしのエネルギー消費量を半減させ、性能劣化を最小限に抑えることができた。
  論文  参考訳（メタデータ） (2024-05-02T05:09:07Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• EVE: Environmental Adaptive Neural Network Models for Low-power Energy Harvesting System [8.16411986220709]
  環境からエネルギーを回収するエネルギー収穫技術は、これらのデバイスを動かすための電池に代わる有望な選択肢だ。 本稿では,エネルギ収穫用IoTデバイスを共有重み付きで検索する機械学習フレームワークであるEVEを提案する。 実験結果から、EVEが生成するニューラルネットワークモデルは、プルーニングや共有重みのないベースラインモデルよりも平均2.5倍高速であることがわかった。
  論文  参考訳（メタデータ） (2022-07-14T20:53:46Z)

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。