論文の概要: Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data

• arxiv url: http://arxiv.org/abs/2604.08581v1
• Date: Sat, 28 Mar 2026 20:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.457933
• Title: Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data
• Title（参考訳）: パワーサイドチャネルデータを用いた資源拘束型MCUの完全自律ZスコアベースTinyML異常検出
• Authors: Abdulrahman Albaiz, Fathi Amsaad,
• Abstract要約: 本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。 異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。 結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
• 参考スコア（独自算出の注目度）: 0.13750624267664155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a fully autonomous Tiny Machine Learning (TinyML) Z-Score-based anomaly detection system deployed on a low-power microcontroller for real-time monitoring of appliance behavior using power side-channel data. Unlike existing Internet of Things (IoT) anomaly detection approaches that rely on offline training or cloud-assisted analytics, the proposed system performs both model training and inference directly on a resource-constrained microcontroller without external computation or connectivity. The system continuously samples current consumption, computes Root Mean Square (RMS) values on-device, and derives statistical parameters during an initial training phase. Anomalies are detected using lightweight Z-Score thresholds, enabling interpretable and computationally efficient inference suitable for embedded deployment. The architecture was implemented on an STM32-based platform and evaluated using a 14-day dataset collected from a household mini-fridge under normal operation and controlled anomaly conditions. Results demonstrate perfect detection performance, with Precision and Recall of 1.00, inference latencies on the order of tens of microseconds, and a total memory footprint of approximately 3.3 KB SRAM and 63 KB Flash. These results confirm that robust and fully autonomous TinyML anomaly detection can be achieved on low-cost microcontrollers. Future work includes extending the framework to incorporate additional lightweight models and multi-device learning scenarios.
• Abstract（参考訳）: 本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムについて述べる。 オフライントレーニングやクラウド支援分析に依存する既存のIoT(Internet of Things)異常検出アプローチとは異なり、提案システムは、外部計算や接続性のないリソース制約されたマイクロコントローラ上で、モデルトレーニングと推論の両方を実行する。 このシステムは、現在の消費を継続的にサンプリングし、デバイス上でルート平均スクエア(RMS)の値を計算し、初期トレーニングフェーズ中に統計パラメータを導出する。 異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。 アーキテクチャはSTM32ベースのプラットフォーム上で実装され,通常の操作下での家庭用ミニ冷蔵庫から収集した14日間のデータセットと制御された異常条件を用いて評価された。 結果は、精度1.00の精度とリコール、数十マイクロ秒の推測レイテンシ、メモリ総フットプリントが約3.3KB SRAMと63KB Flashの完全な検出性能を示す。 これらの結果から,低コストマイクロコントローラにおいて,頑健かつ完全自律的なTinyML異常検出が可能であることが確認された。 今後の作業には、フレームワークを拡張して、追加の軽量モデルとマルチデバイス学習シナリオを統合することが含まれる。

関連論文リスト

• K-Means Based TinyML Anomaly Detection and Distributed Model Reuse via the Distributed Internet of Learning (DIoL) [0.13750624267664155]
  本稿では、リソース制約マイクロコントローラ(MCU)用に設計された軽量なK-Means異常検出モデルと分散モデル共有ワークフローを提案する。 ミニ冷蔵庫からの実力測定を用いて、デバイス上の特徴抽出、クラスタリング、しきい値推定を行い、異常な機器の挙動を識別する。 各デバイス上のモデルの再トレーニングを回避するため,あるMCUでトレーニングされたモデルを移植可能なテキストベース表現としてエクスポートし,他のデバイス上で直接再利用することを可能にする分散学習インターネット(DIoL)を導入する。
  論文  参考訳（メタデータ） (2026-03-28T20:19:39Z)
• Gait Recognition Based on Tiny ML and IMU Sensors [1.2289361708127877]
  本稿では,Tiny Machine Learning (Tiny ML) とInertial Measurement Unit (IMU) センサを用いた歩行認識システムの開発について述べる。 このシステムはXIAO-nRF52840 SenseマイクロコントローラとLSM6DS3 IMUセンサーを利用して、4つの異なるアクティビティから加速度と角速度を含む動きデータをキャプチャする。 収集されたデータはエッジAIプラットフォームであるEdge Impulseを通じて処理され、リアルタイムのアクティビティ分類のためにマイクロコントローラに直接デプロイ可能なマシンラーニングモデルのトレーニングが可能になる。
  論文  参考訳（メタデータ） (2025-07-24T17:59:08Z)
• Benchmarking Energy and Latency in TinyML: A Novel Method for Resource-Constrained AI [0.0]
  この研究は、エネルギーと遅延の測定を統合する代替のベンチマーク手法を導入する。 設定を評価するために、ニューラルネットワークを実行するためのNPUを含むSTM32N6 MCUをテストした。 その結果,コア電圧とクロック周波数の低減により,前処理と後処理の効率が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-21T15:12:14Z)
• Real-Time Stress Detection via Photoplethysmogram Signals: Implementation of a Combined Continuous Wavelet Transform and Convolutional Neural Network on Resource-Constrained Microcontrollers [0.20971479389679332]
  本稿では,フォトプレソグラム(SAD)信号の解析のために設計された畳み込みニューラルネットワーク(CNN)を用いた頑健なストレス検出システムを提案する。 本研究では、連続ウェーブレット変換(CWT)を用いて、手首PPG信号から情報的特徴を抽出し、ストレス検出と学習の強化を図った。
  論文  参考訳（メタデータ） (2024-10-14T06:43:51Z)
• Accelerating TinyML Inference on Microcontrollers through Approximate Kernels [3.566060656925169]
  本研究では、近似計算とソフトウェアカーネル設計を組み合わせることで、マイクロコントローラ上での近似CNNモデルの推定を高速化する。 CIFAR-10データセットでトレーニングされたSTM32-Nucleoボードと2つの人気のあるCNNによる評価は、最先端の正確な推測と比較すると、平均21%のレイテンシ削減が可能であることを示している。
  論文  参考訳（メタデータ） (2024-09-25T11:10:33Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。