論文の概要: Enhancing Edge AI System Security with a Stacked Hardware Security Controller for Robust and Energy-Efficient Anomaly Detectio

• arxiv url: http://arxiv.org/abs/2611.01150v1
• Date: Sat, 31 Oct 2026 17:37:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:03:06.658598
• Title: Enhancing Edge AI System Security with a Stacked Hardware Security Controller for Robust and Energy-Efficient Anomaly Detectio
• Title（参考訳）: ロバストかつエネルギー効率の良い異常検出のためのスタックハードウェアセキュリティコントローラによるエッジAIシステムセキュリティの強化
• Abstract要約: エッジAIは通常、計算資源、厳格なエネルギー予算、熱的制約に制限される。 本稿では,低オーバーヘッドかつ連続的な異常な実行パターンの検出を可能にするハードウェアベースのセキュリティ機構を提案する。
• 参考スコア（独自算出の注目度）: 1.2651835811034269
• License:
• Abstract: In recent years, the growing adoption of Edge AI systems has been accompanied by a surge in security threats. Edge AI deployments face an rapidly evolving spectrum of security threats, from side-channel information leakage to ad- versarial model manipulation and physical device tampering. Conventional security mechanisms such as malware scanners and resource-intensive firewall solutions are unsuitable due to edge AIs typically limited computational resources, strict energy budgets and thermal constraints especially in battery-powered and field-deployed environments. This paper proposes a stacked, hardware-based security mechanism that enables low-overhead, continuous detection of anomalous execution patterns. Anomaly detection utilizing hard- ware performance counters and physical sensors outperforms software-based alternatives by providing key capabilities such as tamper-resistant root-of-trust isolation, negligible runtime overhead, and resilience against compromised operating systems. Experimental analysis shows that adversarial or malicious ap- plications produce observable deviations in sensor and thermal readings on Edge AI systems and hardware-based anomaly detection provides effective and low-overhead anomaly detection.
• Abstract（参考訳）: 近年、エッジAIシステムの採用が増加し、セキュリティの脅威が急増している。 エッジAIのデプロイメントは、サイドチャネルの情報漏洩から、広告の汎用的なモデル操作や物理的デバイスの改ざんに至るまで、急速に進化するセキュリティ脅威に直面している。 マルウェアスキャナやリソース集約型ファイアウォールソリューションのような従来のセキュリティメカニズムは、エッジAIが典型的に限られた計算資源、厳格なエネルギー予算、特にバッテリ駆動および電界展開環境での熱的制約のために適さない。 本稿では,低オーバーヘッドかつ連続的な異常な実行パターンの検出を可能にするハードウェアベースのセキュリティ機構を提案する。 ハードウエア性能カウンタと物理センサーを用いた異常検出は、タンパー耐性のルート・オブ・トラスト分離、無視可能なランタイムオーバーヘッド、妥協されたオペレーティングシステムに対するレジリエンスといった重要な機能を提供することで、ソフトウェアベースの代替品よりも優れている。 実験的分析により、敵対的または悪意的なap-plicationは、エッジAIシステムにおけるセンサおよびサーマルリードにおける観測可能な偏差を生じさせ、ハードウェアベースの異常検出は、効果的で低オーバーヘッドな異常検出を提供することが示された。

関連論文リスト

• From bits to atoms: A survey of cross-layer safety in Embodied AI [293.058806505954]
  Embodied Artificial Intelligence (AI)は、デジタル障害や攻撃が物理的損害を引き起こす可能性があるため、サイバー物理的リスクをもたらす。 この調査では、4層参照アーキテクチャを通じて、AIの安全性を具体化している。 安全パラダイムの進化を辿り、フォールトとアタックがどのようにアーキテクチャの境界を越えているかを調べます。
  論文  参考訳（メタデータ） (2026-10-02T06:37:10Z)
• LLM-Centric Agentic AI for UAV Swarms: Architecture, Enabling Technologies, and Open Problems [4.4579151410787246]
  Uncrewed Aerial Vehicle (UAV) Swarmsは、サーチ・アンド・レスキュー (SAR) や環境モニタリングなどの応用に有意な可能性を秘めている。 Agentic Artificial Intelligence(AI)は、スタンドアロンのLarge Language Model(LLM)からクローズドループ認知アーキテクチャへのシフトを表す。 本稿では,UAV Swarms (LAUS) のための LLM-Centric Agentic AI を提案する。
  論文  参考訳（メタデータ） (2026-07-05T13:08:06Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• OS-Sentinel: Towards Safety-Enhanced Mobile GUI Agents via Hybrid Validation in Realistic Workflows [77.95511352806261]
  VLM(Vision-Language Models)を利用したコンピュータ利用エージェントは、モバイルプラットフォームのようなデジタル環境を操作する上で、人間のような能力を実証している。 我々は,明示的なシステムレベルの違反を検出するための形式検証器と,文脈的リスクとエージェント行動を評価するコンテキスト判断器を組み合わせた,新しいハイブリッド安全検出フレームワークOS-Sentinelを提案する。
  論文  参考訳（メタデータ） (2025-10-28T13:22:39Z)
• Transformers for Secure Hardware Systems: Applications, Challenges, and Outlook [2.9625426098772425]
  トランスフォーマーモデルは、複雑な依存関係をモデル化できるため、セキュリティ領域で注目を集めている。 この調査は、ハードウェアセキュリティにおけるTransformerの使用に関する最近の進歩をレビューする。 サイドチャネル分析、ハードウェアトロイの木馬検出、脆弱性分類、デバイスのフィンガープリント、ファームウェアセキュリティなど、主要な領域にわたるアプリケーションを調査している。
  論文  参考訳（メタデータ） (2025-05-28T17:22:14Z)
• AI-Powered Anomaly Detection with Blockchain for Real-Time Security and Reliability in Autonomous Vehicles [1.1797787239802762]
  我々は、リアルタイム異常検出のための人工知能(AI)のパワーとブロックチェーン技術を組み合わせて、悪意のあるアクティビティを検出して防止する新しいフレームワークを開発する。 このフレームワークでは、センサデータと異常アラートをブロックチェーン台帳にセキュアに格納する分散プラットフォームを使用して、データの不正性と信頼性を保証している。 これにより、AVシステムは、サイバースペースとハードウェアコンポーネントの両方の障害からの攻撃に対してより耐性がある。
  論文  参考訳（メタデータ） (2025-05-10T12:53:28Z)
• Runtime Detection of Adversarial Attacks in AI Accelerators Using Performance Counters [5.097354139604596]
  本稿では,AIハードウェアの悪意ある使用に対する保護のための新しいフレームワークである佐村井を提案する。 Samurai氏は、AIモデルの動的振る舞いを追跡するAI Performance Counter(APC)を紹介している。 APCは、異なるAI操作の低レベルのハードウェアイベントのランタイムプロファイルを記録する。 APCが記録した要約情報は、TANTOによって処理され、潜在的なセキュリティ違反を効率的に識別する。
  論文  参考訳（メタデータ） (2025-03-10T17:38:42Z)
• Machine Learning-Based Intrusion Detection and Prevention System for IIoT Smart Metering Networks: Challenges and Solutions [0.0]
  本稿では、IIoTベースのスマート計測ネットワークの安全性に関する課題について考察する。 エッジデバイスを保護するための機械学習ベースの侵入検知システム(IDPS)を提案する。
  論文  参考訳（メタデータ） (2025-02-16T14:08:59Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)

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。