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
• 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

• ITP-STDP: An Intrinsic-Timing Power-of-Two Learning Engine for On-Chip SNN Training [11.445934758244745]
  スパイキングニューラルネットワーク(SNN)は、第3世代のニューラルネットワークとして出現する可能性がある。 スパイク刺激依存性可塑性(STDP)は、最も広く研究され広く採用されているプラスチックの1つである。 本稿では,本質的な2つのSTDPとそれに対応する学習エンジンハードウェアアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2026-06-04T13:32:20Z)
• Spectral- and Energy-efficient Multi-BS Multi-RIS Pinching-antenna Systems: A GNN-based Approach [62.31891278787162]
  本稿では,マルチベースステーション(Multi-BS)多再構成可能な知的表面(multi-RIS)補助ピンチアンテナ(PA)システムにおけるダウンリンクの協調伝送について検討する。 我々は、PA配置、RIS位相シフト、ビームフォーミング、BS-UEアソシエーションを共同最適化することで、和率(SR)とエネルギー効率(EE)問題を定式化する。 本稿では,不均一なグラフ表現と均一なグラフ表現を統合した3段階グラフニューラルネットワーク(GNN)を提案する。
  論文  参考訳（メタデータ） (2026-05-02T07:30:37Z)
• Probabilistic Tree Inference Enabled by FDSOI Ferroelectric FETs [3.1732175450111284]
  本稿では,ACAMとGRNGの両方の機能をサポートするモノリシックなFDSOI-FeFETハードウェアプラットフォームを提案する。 従来の決定木と比較して、MNISTの分類精度は40%以上向上している。 これは、リソースに制約のある、安全にクリティカルな環境でBDTをデプロイするためのスケーラブルなソリューションです。
  論文  参考訳（メタデータ） (2026-04-06T19:20:26Z)
• Securing generative artificial intelligence with parallel magnetic tunnel junction true randomness [1.395525296189632]
  生成人工知能(GAI)モデルは、攻撃者による搾取に弱い予測可能なパターンを生成する。 そこで本研究では,スピントランスファートルク磁気トンネル接合(STT-MTJ)からハードウェア生成した真のランダムビットを埋め込み,その課題に対処する。 高並列なFPGA支援型プロトタイプコンピュータシステムでは、メガビット/秒の真の乱数が得られる。 CIFAR-10でトレーニングされた生成逆数ネットワーク(GAN)にハードウェアランダムビットを統合すると、低品質な乱数発生器(RNG)のベースラインに比べて、安全でない出力を最大18.6倍削減できる。
  論文  参考訳（メタデータ） (2025-10-02T02:26:48Z)
• 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)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Provably Efficient Algorithm for Nonstationary Low-Rank MDPs [48.92657638730582]
  我々は,非定常RLを,遷移カーネルと報酬の両方が時間とともに変化するような,エピソードな低ランクMDPで調査する最初の試みを行っている。 本稿では,パラメータ依存型ポリシ最適化アルゴリズムである Portal を提案し,パラメータフリー版である Ada-Portal の Portal をさらに改良する。 両アルゴリズムとも,非定常性が著しく大きくない限り, Portal と Ada-PortAL はサンプリング効率が良く,サンプリング複雑性を伴う平均的動的準最適ギャップを任意に小さく得ることを示す。
  論文  参考訳（メタデータ） (2023-08-10T09:52:44Z)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• 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)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。