SECURING LOW-POWER EDGE AI: A VULNERABILITY ANALYSIS AND CYBERSECURITY FRAMEWORK FOR RESOURCE-CONSTRAINED DEVICES
Notice bibliographique
Résumé
The rapid deployment of Edge AI systems powered by low-power technology has creatednew operational challenges in healthcare facilities, autonomous vehicles, and industrial IoTdevices, leading to increased security vulnerabilities. Security mechanisms require strongcomputational power, which these efficiency and real-time-oriented systems do not possessby design. Predictable threats against Edge AI systems are now more prevalent due to theirlimited computing power. Security frameworks prove inefficient when used in Edge AIenvironments, creating a vital protection weakness. This research paper focuses on a newlightweight cybersecurity system designed for Edge AI systems that lack sufficient resources.The proposed security construct enables the deployment of effective cryptographic systemsand AI-based anomaly identification along with defence mechanisms suitable for real-timeedge devices operating with restricted power consumption. A realistic dataset, known as theCyber Threat Detection Dataset, was utilised to test the framework, which incorporatedmultiple normal and attack behaviours, as well as several different attack varieties. The highspeedintrusion detection system relies on Random Forest (RF), while a LightweightConvolutional Neural Network (CNN) handles anomaly detection activities within theframework, and Federated Learning (FL) decentralises learning across different edge nodeswith privacy protection. According to test results, the developed framework deliversadvanced threat detection accuracy, better energy efficiency, and faster inference speeds.Each security model partakes specific capabilities that enhance a layered defence, resulting ina protected, adaptable and scalable protection for Edge AI systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».