Proactive TSCA Detection via Real-Time Thermal Signature Modeling on Low-Power IoT Devices
Notice bibliographique
Résumé
In this paper, we introduce a real-time thermal signature modeling approach for embedded IoT systems as a proactive countermeasure against Thermal Side-Channel Attacks (TSCA). Rather than designing new sensing hardware, we exploit the ESP32-S3’s native on-die temperature sensor an 8 bit sigmadelta ADC with factory trimmed DAC that delivers $\simeq \mathbf{0. 2}{ }^{\circ} \mathrm{C} / \mathrm{LSB}$ resolution and $\pm 5{ }^{\circ} \mathrm{C}$ absolute accuracy across its $-40{ }^{\circ} \mathrm{C}$ to $+125{ }^{\circ} \mathrm{C}$ range to capture core junction temperature directly. Using a three stepper motor control case study, we record the chip’s thermal evolution under four operational loads (idle, one, two, and three motor scenarios) and log the data in structured CSV files. These profiles form a comprehensive dataset of normal operation signatures, laying the groundwork for lightweight, ondevice anomaly detection and future deployment of machine learning-based digital twin models. Our results demonstrate how existing, low cost thermal sensors can be harnessed for thermal profiling, integrating core level signature awareness into resource constrained IoT devices without external components or high overhead methods.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».