AI-Driven Device Fingerprinting Using On-Chip Monitoring Sensors: A Novel Time Series-Based Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The surge in current technological trends is leading to a rapid daily increase in the number of electronic devices. Within the broad spectrum of interconnected ecosystems, such as the Internet of Things (IoT) and cyber-physical systems (CPSs), authentication services play a pivotal role in ensuring trust and security. In line with this, hardware identification of devices is increasingly becoming an integral part of security frameworks, whether for protection against adversarial attacks or as an anticounterfeiting measure for integrated circuit (IC) verification. For this purpose, device fingerprinting (DFP) based on intrinsic physical variations of hardware has proven to be a highly reliable asset. In this article, the ubiquitous presence of on-chip sensors for internal monitoring has remained largely unexplored until now. In this work, we present a direct lightweight approach to the exploitation of these sensors across various scenarios. Through an artificial intelligence (AI)-driven methodology, we explore the use of diverse models [XGBoost, attentional convolutional neural network (CNN), and bidirectional long short-term memory (Bi-LSTM)] for device identification using fixed-length temperature-voltage time series pairs, evaluating the impact of different lengths on the identification process. The experimental results demonstrate unprecedented performance, achieving nearly 100% across all metrics obtained in the proposed scenarios. To assess the robustness of the solution, we utilized diverse datasets generated from the stimulation of electronic activity through workloads applied to 20 ultralow-power STM32L-DISCOVERY batteryless devices. Finally, we demonstrate the resilience of the solution under extreme conditions with five devices, subjected to undervolting, high- and low-temperature environments, and an accelerated aging test, reaffirming the previously obtained results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle