ОПТИМІЗАЦІЯ ОБЧИСЛЕННЯ НЕЙРОМЕРЕЖ ЗА ДОПОМОГОЮ ВИКОРИСТАННЯ ЦІЛОЧИСЕЛЬНОЇ АРИФМЕТИКИ
Ключові слова:
мікроконтролер, нейромережа, оптимізація, програмна реалізація
Анотація
Більшість пристроїв-датчиків в системах інтернету речей базуються на енергоефективних мікроконтролерах, обчислювальні ресурси яких обмежені, як і обсяги наявної пам’яті. Підвищення захищеності використання таких пристроїв за допомогою нейромереж є важливою та актуальною проблемою. В статті описана можливість використання штучних нейронних мереж у малих мікроконтролерах з обмеженими ресурсами. Мета даної роботи полягає у перевірці можливості обчислення нейромереж на базі цілочисельної арифметики задля зменшення часу обчислення нейромережі та виключення операцій по нормалізації даних, а також оцінка доцільності використання таких нейромереж у сфері безпеки інтернету речей у порівнянні з традиційними методами, такими як чорні та білі списки. Отримані наступні результати: при переході на цілочисельну арифметику, у порівнянні з плаваючою точкою, точність обчислень результату знаходиться у межах допустимої похибки навчання нейромережі, тобто не змінилася. Час виконання зменшився на 30-96%, в залежності від архітектури мікроконтролеру. Розмір програми знизився на 22-48% також в залежності від архітектури мікроконтролеру. Висновки. Було доказано можливість та доцільність використання нейромереж, оптимізованих для мікроконтролерів з обмеженими ресурсами. Це підвищить захищеність систем інтернету речей особливо перед загрозами автентифікації пристроїв та виявленню вторгнень. Визначено перспективи подальших досліджень.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Duarte F. Number of IoT Devices. 2024. URL: https://explodingtopics.com/blog/number-of-iot-devices
2. Ragan S. Here are the 61 passwords that powered the Mirai IoT botnet. Csoonline, 2016. URL: https://www.csoonline.com/article/3126924/here-are-the-61-passwords-that-powered-the-mirai-iot-botnet.html
3. Vorakulpipat C., Rattanalerdnusorn E., Thaenkaew P., Hai H.D. Recent challenges, trends, and concerns related to IoT security: an evolutionary study. IEEE, 2018. DOI: https://doi.org/10.23919/ICACT.2018.8323774
4. Abdul-Ghani H.A., Konstantas D., Mahyoub M. A comprehensive IoT attacks survey based on a building-blocked reference mode. International Journal of Advanced Computer Science and Applications, Vol. 9, No. 3, 2018. C. 355–373. URL: https://doi.org/10.14569/IJACSA.2018.090349
5. Заковоротний О.Ю., Орлова Т.О. Порівняльний аналіз хмарних та туманних середовищ Інтернету речей. Системи управління, навігації та зв'язку, 2023, випуск 2(72). С. 152–154. DOI: https://doi.org/10.26906/SUNZ. 2023.3.152
6. Melamed T. An active man-in-the-middle attack on Bluetooth smart devices. Safety and Security Eng., Vol. 8, No. 2, 2018. C. 200–211. URL: https://www.witpress.com/Secure/ejournals/papers/SSE080202f.pdf
7. De Donno M., N Dragoni N., Giaretta A. Analysis of DDoS-capable IoT malwares. IEEE, 2017. DOI: https://doi.org/10.15439/2017F288
8. Cekerevac Z., Dvorak Z., Prigoda L., Cekerevac P. Internet of things and the man-in-the-middle attacks–security and economic risks. MEST Journal, 2017. 11 c. DOI: https://doi.org/10.12709/mest.05.05.02.03
9. Narudin F.A., Feizollah A., Anuar N.B.,Gani A. Evaluation of machine learning classifiers for mobile malware detection. Soft Computing, 2016. DOI: https://doi.org/10.1007/s00500-014-1511-6
10. Xiao L ., Li Y.,Huang X, Du X.J. Cloud-based malware detection game for mobile devices with offloading. IEEE, 2017. DOI: https://doi.org/10.1109/TMC.2017.2687918
11. Brain.js: GPU accelerated Neural networks in JavaScript. URL: https://brain.js.org/#/ (дата звернення 20.03.2024).
12. Githib: Some cool AI tools. Now the community carries the torch. URL: https://github.com/BrainJS/brain.js/blob/master/src/neural-network.ts
13. Cortex-M3 Devices Generic User Guide. URL: https://developer.arm.com/documentation/dui0552/a/the-cortex-m3-instruction-set
2. Ragan S. Here are the 61 passwords that powered the Mirai IoT botnet. Csoonline, 2016. URL: https://www.csoonline.com/article/3126924/here-are-the-61-passwords-that-powered-the-mirai-iot-botnet.html
3. Vorakulpipat C., Rattanalerdnusorn E., Thaenkaew P., Hai H.D. Recent challenges, trends, and concerns related to IoT security: an evolutionary study. IEEE, 2018. DOI: https://doi.org/10.23919/ICACT.2018.8323774
4. Abdul-Ghani H.A., Konstantas D., Mahyoub M. A comprehensive IoT attacks survey based on a building-blocked reference mode. International Journal of Advanced Computer Science and Applications, Vol. 9, No. 3, 2018. C. 355–373. URL: https://doi.org/10.14569/IJACSA.2018.090349
5. Заковоротний О.Ю., Орлова Т.О. Порівняльний аналіз хмарних та туманних середовищ Інтернету речей. Системи управління, навігації та зв'язку, 2023, випуск 2(72). С. 152–154. DOI: https://doi.org/10.26906/SUNZ. 2023.3.152
6. Melamed T. An active man-in-the-middle attack on Bluetooth smart devices. Safety and Security Eng., Vol. 8, No. 2, 2018. C. 200–211. URL: https://www.witpress.com/Secure/ejournals/papers/SSE080202f.pdf
7. De Donno M., N Dragoni N., Giaretta A. Analysis of DDoS-capable IoT malwares. IEEE, 2017. DOI: https://doi.org/10.15439/2017F288
8. Cekerevac Z., Dvorak Z., Prigoda L., Cekerevac P. Internet of things and the man-in-the-middle attacks–security and economic risks. MEST Journal, 2017. 11 c. DOI: https://doi.org/10.12709/mest.05.05.02.03
9. Narudin F.A., Feizollah A., Anuar N.B.,Gani A. Evaluation of machine learning classifiers for mobile malware detection. Soft Computing, 2016. DOI: https://doi.org/10.1007/s00500-014-1511-6
10. Xiao L ., Li Y.,Huang X, Du X.J. Cloud-based malware detection game for mobile devices with offloading. IEEE, 2017. DOI: https://doi.org/10.1109/TMC.2017.2687918
11. Brain.js: GPU accelerated Neural networks in JavaScript. URL: https://brain.js.org/#/ (дата звернення 20.03.2024).
12. Githib: Some cool AI tools. Now the community carries the torch. URL: https://github.com/BrainJS/brain.js/blob/master/src/neural-network.ts
13. Cortex-M3 Devices Generic User Guide. URL: https://developer.arm.com/documentation/dui0552/a/the-cortex-m3-instruction-set
Опубліковано
2024-04-30
Як цитувати
Zakovorotnyi Oleksandr Оптимізація обчислення нейромереж за допомогою використання цілочисельної арифметики / Oleksandr Zakovorotnyi, Andrii Khulap // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2024. – Т. 2 (76). – С. 90-94. – doi:https://doi.org/10.26906/SUNZ.2024.2.090.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
