嵌入式系統中基(ji)于硬(ying)件加(jia)速(su)器的AES-GCM加(jia)密(mi)性(xing)能優化(hua)實踐
單片機的(de)(de)內(nei)置硬件加(jia)(jia)(jia)速(su)(su)器(qi)(qi)(qi)是為了提(ti)高(gao)特定任務的(de)(de)處(chu)理(li)速(su)(su)度(du)和效率(lv)而設計(ji)的(de)(de)專用硬件模(mo)塊。這(zhe)些加(jia)(jia)(jia)速(su)(su)器(qi)(qi)(qi)可以(yi)顯著減輕CPU的(de)(de)負擔，提(ti)高(gao)系統的(de)(de)整體性能。常(chang)見的(de)(de)硬件加(jia)(jia)(jia)速(su)(su)器(qi)(qi)(qi)包(bao)括DMA控(kong)制器(qi)(qi)(qi)、硬件乘法器(qi)(qi)(qi)、硬件除法器(qi)(qi)(qi)、加(jia)(jia)(jia)密(mi)/解(jie)密(mi)加(jia)(jia)(jia)速(su)(su)器(qi)(qi)(qi)、哈希算法加(jia)(jia)(jia)速(su)(su)器(qi)(qi)(qi)等。下面我們一起來看(kan)下加(jia)(jia)(jia)密(mi)/解(jie)密(mi)加(jia)(jia)(jia)速(su)(su)器(qi)(qi)(qi)。 1. AES的(de)(de)誕生與核心特點(dian) …
Transformer模型稀疏化(hua)訓練與推理加速技(ji)術(shu)實戰
1. 引言 Transformer模型(xing)廣泛應用于(yu)自然(ran)語(yu)言處理（NLP）、計算(suan)機視覺(jue)（CV）等領域(yu)。然(ran)而，由于(yu)其計算(suan)復雜度高、參數規模大(da)，在訓練和(he)推理過(guo)程(cheng)中通常面臨高計算(suan)資源消耗的問題。為(wei)了提高Transformer的效率，稀(xi)疏化(hua)訓練與推理加速技術成為(wei)研究熱點。 本文將詳(xiang)細介紹Transformer模型(xing)的稀(xi)疏化(hua)訓練方法，并…
面向密集(ji)物聯網(wang)節點(dian)的無(wu)基(ji)站通(tong)信——基(ji)于反向散射的自主組網(wang)協議設計
面向密(mi)集物聯(lian)網(wang)（IoT）節(jie)點(dian)的(de)(de)(de)無基站(zhan)(zhan)(zhan)通(tong)信，基于(yu)反(fan)向散射的(de)(de)(de)自主組網(wang)協議設(she)計是(shi)一個復雜但極具潛力(li)的(de)(de)(de)研究方向。以(yi)下(xia)是(shi)一個可能(neng)的(de)(de)(de)設(she)計框架(jia)和關鍵考慮(lv)因素。 1 問題背景 在密(mi)集物聯(lian)網(wang)場景中，傳(chuan)統的(de)(de)(de)基于(yu)基站(zhan)(zhan)(zhan)的(de)(de)(de)通(tong)信方式面臨以(yi)下(xia)挑戰： 基站(zhan)(zhan)(zhan)瓶(ping)頸：基站(zhan)(zhan)(zhan)可能(neng)成為通(tong)信瓶(ping)頸，尤其是(shi)在節(jie)點(dian)數量龐大(da)時。 能(neng)耗問題：…
模型量化技術對比(bi)：INT8與二(er)進制網絡（BNN） 的(de)精度與效(xiao)率(lv)權衡
引言 在(zai)深度學(xue)習(xi)模(mo)型部署到邊緣設備和移動端(duan)時(shi) ，模(mo)型大小和計算效率(lv)成為關(guan)鍵考(kao)量(liang)(liang)因素。模(mo)型量(liang)(liang)化(hua)技(ji)(ji)術通(tong)過降低模(mo)型 參數的數值精(jing)(jing)度來減少內(nei)存占用和加(jia)速推理(li)計算。本文(wen)將深入(ru)探討(tao)兩種主(zhu)流(liu)量(liang)(liang)化(hua)方法(fa)： INT8量(liang)(liang)化(hua)和二進制網絡 (BNN) ，分析它們在(zai)精(jing)(jing)度與效率(lv)之間(jian)的權衡關(guan)系。 INT8量(liang)(liang)化(hua)技(ji)(ji)術 基本原理(li) INT8量(liang)(liang)化(hua)…
基于(yu)CHERI架構的嵌入式系(xi)統(tong)內存安全(quan)機制防護研究(jiu)
一、引言 1.1、研究背景及意義 在(zai)萬(wan)物互聯(lian)時代，嵌入式(shi)(shi)系統廣(guang)泛存在(zai)于智能(neng)家居(ju)、工業(ye)控制、醫(yi)療設(she)備等關鍵領域(yu)。然而，隨著系統復雜性的提(ti)升(sheng)，內存安全(quan)問題（如緩沖(chong)區溢出(chu)、懸垂指針(zhen)、越界訪問）已成為(wei)嵌入式(shi)(shi)設(she)備面臨的主要威脅之一。 內存安全(quan)問題不(bu)僅影響系統的正常運行(xing)，還可能(neng)導致數據泄露、系統崩…
聯邦學習在邊緣設(she)備中(zhong)的隱私保護與通信(xin)效率平衡策略
在(zai)萬物互聯(lian)的(de)智(zhi)能(neng)時(shi)代，邊緣設(she)備正成為數據產生和處理的(de)重要節點。聯(lian)邦(bang)學習作為一種分布式(shi)機器學習范(fan)式(shi)，允(yun)許設(she)備在(zai)本地(di)(di)訓練模型而無需共享原始(shi)數據，理論上(shang)完美解決了隱私(si)保(bao)護(hu)問題。然(ran)而，當(dang)聯(lian)邦(bang)學習落地(di)(di)到資(zi)源(yuan)受(shou)限的(de)邊緣設(she)備時(shi)，隱私(si)保(bao)護(hu)與(yu)通(tong)信效率之間的(de)張力日益凸顯嚴(yan)格(ge)的(de)隱私(si)保(bao)障往(wang)往(wang)意味(wei)著高昂的(de)…
基(ji)于RISC-V指(zhi)令集的實時操(cao)作系統中斷優(you)(you)先級調(diao)度算法優(you)(you)化
引(yin)言(yan) 隨著嵌(qian)入式系(xi)統(tong)(tong)和物聯網（IoT）設備(bei)的(de)(de)普及(ji)，實時(shi)(shi)操作系(xi)統(tong)(tong)（RTOS）在(zai)這(zhe)些(xie)設備(bei)中(zhong)扮(ban)演著至關重要的(de)(de)角色。實時(shi)(shi)操作系(xi)統(tong)(tong)需要確(que)保(bao)系(xi)統(tong)(tong)對(dui)外部(bu)事件的(de)(de)響應(ying)時(shi)(shi)間(jian)達到(dao)要求，這(zhe)要求中(zhong)斷(duan)調(diao)(diao)度(du)系(xi)統(tong)(tong)具備(bei)高(gao)效(xiao)的(de)(de)調(diao)(diao)度(du)算法。在(zai)多任務系(xi)統(tong)(tong)中(zhong)，中(zhong)斷(duan)優(you)先級的(de)(de)調(diao)(diao)度(du)是決定實時(shi)(shi)性的(de)(de)一項(xiang)關鍵技術。由于(yu)RISC-V架構的(de)(de)開放性和高(gao)效(xiao)…
TLS 1.3 在(zai)資(zi)源(yuan)受限設備中的(de)輕(qing)量化實(shi)現(xian)
1. 引言 在物(wu)聯網(wang)（IoT）和嵌入式系統領域，安全通信(xin)是關鍵問題(ti)之一。TLS（Transport Layer Security）協議廣泛用(yong)于保障數據傳輸安全，而 TLS 1.3 作為(wei)最新版(ban)本，相較(jiao)于前代協議，減少了(le)握手延遲，增(zeng)強了(le)安全性。然而，資源受限設備（如微(wei)控(kong)制器、低功耗嵌入式系統）往往面臨計(ji)算能(neng)力、內存和功耗的限…
