.png){kind=icon}
返回
Lightweight Security-by-Design for TinyML Models in Constrained Embedded Environments
.png){kind=icon}
OA
AI
DOI：10.3390/s26185727.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微型机器学习模型现在直接在只有千字节内存的微控制器上运行推理，应用于传感器、可穿戴设备和工业设备中，这些设备通常没有云连接，部署后也无法接收补丁。这使得它们容易受到攻击，因为压缩模型比全精度模型更易受对抗性攻击和提取攻击，但大多数微型机器学习研究仍将安全性视为压缩后的附加步骤，而非在压缩过程中考虑。本文提出了一种三层安全设计架构，旨在弥合这一差距。第一层在最终确定架构之前，使用结合了清洁精度、对抗鲁棒性和模型大小的联合适应度函数对候选压缩模型进行评分。第二层在启动和空中更新期间，使用轻量级ASCON密码对模型权重进行签名和验证。第三层是一个运行时监控器，计算传入查询的实时分布漂移分数，并在该分数超过固定阈值时提高本地防御强度，无需云回环。整个流程已在真实微控制器硬件上验证，而非模拟，且保持在62 KB RAM预算内，推理延迟低于10毫秒。在Edge-IIoTset上的真实基线模型中，所提出的方法达到94.3%的准确率，是测试模型中最高的，同时将攻击成功率从超过60%–84%降至38.9%，并将模型提取的查询成本提高到最弱基线的五倍以上。消融研究和五种子统计测试证实了收益的保持，并来自所有三层的结合，而非任何单一部分。
Keyword:
TinyML
security-by-design
model compression
adversarial robustness
model extractionl
lightweight cryptography
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Secure Tiny Machine Learning on Edge Devices: A Lightweight Dual Attestation Mechanism for Machine Learning边缘设备上安全微小型机器学习：一种轻量级双认证机制用于机器学习.png)
FUTURE INTERNETOAAI
FUTURE INTERNETIF3.6
OAAI分享收藏Edge-IIoTset: A New Comprehensive Realistic Cyber Security Dataset of IoT and IIoT Applications for Centralized and Federated LearningEdge-IIoTset: 用于集中和联合学习的IoT和IIoT应用程序的新的综合现实网络安全数据集IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏TinyML Security: Attacks, Defenses, and Open Challenges in Resource-Constrained Machine Learning SystemsTinyML安全：资源受限机器学习系统中的攻击、防御与开放性挑战
PREAI
分享收藏分享收藏CICIoT2023: A Real-Time Dataset and Benchmark for Large-Scale Attacks in IoT EnvironmentCICIoT2023: 物联网环境下大规模攻击的实时数据集和基准Sensors
OAAI
SensorsIF0
OAAI分享收藏Lightweight and Energy-Aware Intrusion Detection for Industrial IoT Using TinyML and Edge AI基于TinyML和边缘AI的轻量级与能量感知工业物联网入侵检测
PREAI
分享收藏 没有更多内容
没有更多内容