ОПТИМІЗАЦІЯ ОБЧИСЛЕННЯ НЕЙРОМЕРЕЖ ЗА ДОПОМОГОЮ ВИКОРИСТАННЯ ЦІЛОЧИСЕЛЬНОЇ АРИФМЕТИКИ
DOI:
https://doi.org/10.26906/SUNZ.2024.2.090Ключові слова:
мікроконтролер, нейромережа, оптимізація, програмна реалізаціяАнотація
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
Посилання
Duarte F. Number of IoT Devices. 2024. URL: https://explodingtopics.com/blog/number-of-iot-devices
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
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
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
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
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
De Donno M., N Dragoni N., Giaretta A. Analysis of DDoS-capable IoT malwares. IEEE, 2017. DOI: https://doi.org/10.15439/2017F288
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
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
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
Brain.js: GPU accelerated Neural networks in JavaScript. URL: https://brain.js.org/#/ (дата звернення 20.03.2024).
Githib: Some cool AI tools. Now the community carries the torch. URL: https://github.com/BrainJS/brain.js/blob/master/src/neural-network.ts
Cortex-M3 Devices Generic User Guide. URL: https://developer.arm.com/documentation/dui0552/a/the-cortex-m3-instruction-set
