分布式深度卷积神经网络用于物联网
通过本文,我们调查了低功耗和能效更高的深度神经网络实现的最新进展,其提高了深度神经网络的可部署性而在不显著牺牲准确性的情况下。这些技术可以分为三个主要类别:神经网络压缩、网络架构搜索和设计、以及编译器和图优化。我们调查了卷积和变换器深度神经网络的低功耗技术,并总结了其优点、缺点和研究中的问题。
Aug, 2023
本论文通过重新考虑分发策略,并利用增强学习设计来支持异构设备和多个 DNN / 数据集,实现协同深度推理的安全性,以平衡联合推理的延迟和数据隐私级别之间的权衡。
Aug, 2022
提出了一种创新性的基于深度学习的卷积神经网络和长短期记忆网络的物联网环境入侵检测系统,在 CICIDS2017 数据集上实现了 99.52% 的准确率,具有实时处理能力、可扩展性和低虚警率,成功应用于当今的物联网网络,对自适应学习技术和跨领域适用性等相关领域的发展和性能进行了讨论,为显著提高网络安全性提供了强有力的解决方案。
Jun, 2024
近年来,物联网(IoT)设备的发展和实施加快。为了处理收集和传输到这些设备的大量数据,需要一个超级网络。第五代(5G)技术是一种新的综合无线技术,有可能成为 IoT 的主要推动技术。物联网设备的快速普及可能遇到许多安全限制和问题,因此出现了新的严重安全和隐私风险。攻击者使用物联网设备发起大规模攻击,其中最著名的是分布式拒绝服务(DDoS)攻击。我们在特定设计用于 5G 网络中的物联网设备的数据集上应用了两个深度学习算法 —— 卷积神经网络(CNN)和前馈神经网络(FNN)。我们使用 OMNeT++、INET 和 Simu5G 框架构建了 5G 网络基础设施。数据集包括正常网络流量和 DDoS 攻击。CNN 和 FNN 这两个深度学习算法都表现出了令人印象深刻的准确性水平,均达到了 99%。这些结果凸显了深度学习在增强 5G 网络中物联网设备安全方面的潜力。
Nov, 2023
本文提出了一种使用卷积神经网络(CNNs)解决物联网设备入侵攻击的新方法,将传感器数据编码为卷积操作,以便 CNNs 检测攻击,并在 ResNet 和 EfficientNet 上进行评估,并与 LSTM 基线比较,结果表明该方法可以显著提高 true positive 和 false positive rate。
Nov, 2022
该研究提出了一种流式硬件加速器,通过避免不必要的数据移动和独特的滤波器分解技术,优化了能源效率,并支持任意卷积窗口大小和使用并行池化单元计算最大池化功能,进而实现了吞吐量的提高和较高的能效比,可在智能物联网设备中应用。
Jul, 2017
本文研究了工业物联网网络中协作深度神经网络推理问题,提出了一种基于深度强化学习的算法,将动态配置物联网设备的采样率、推理任务卸载和边缘计算资源分配共同考虑,通过转化为马尔可夫决策过程来最小化服务延迟并保证准确性。
Dec, 2022
本文提出一种底层深度神经网络模型设计策略和顶层 DNN 加速器设计流程的双向协同设计方法,通过在 IoT 设备上进行联合优化使得既能获得高 IoU 精度的 QoR 也能获得高 FPS 和高能效的 QoS。
May, 2019
提出了一种在单个标准训练时间内将用户定义的内存和延迟约束融入不同 iable NAS 优化方法的新方法,该方法在五个物联网相关基准测试中进行了评估,包括 MLPerf Tiny 套件和 Tiny ImageNet,在仅一次搜索中降低了内存和延迟分别达到 87.4% 和 54.2%,同时保证 TinyML 的最新手动调优深度神经网络的非劣性精度。
Oct, 2023