1. Манбаъ аз аввал то охир ва бо тасвирҳояш баррасӣ шуд: ҲА — 16 саҳифа, се тасвири асосӣ, се ҷадвали асосӣ ва се муодилаи марказӣ санҷида шуданд. 2. Натиҷаҳои илмӣ ба манбаъ такя мекунанд: ҲА — веби беруна танҳо барои тасдиқи библиографӣ истифода шуд. 3. Ҳувияти библиографӣ тасдиқ шуд: ҲА — унвони аслӣ, ду муаллиф, муассиса, DOI, маҷалла, сана ва навъи нашр санҷида шуданд. 4. Навъи таҳқиқот дуруст ҷудо карда шуд: ҲА — ин таҳқиқот таҷрибаи нав нест; баррасиест, ки синтези адабиёт, таксономияҳои аслӣ ва чаҳорчӯбаҳои муқоисавиро дар бар мегирад. 5. Формула/усул/тасвири марказӣ аз назар наафтод: ҲА — муодилаи қувваи динамикӣ, конволютсияи 1D-CNN ва талафоти MSE-и autoencoder баррасӣ шуданд. 6. Рақам ё нишондиҳандаи берун аз манбаъ сохта нашуд: ҲА. 7. Тартиби шаш H2-и сохторӣ нигоҳ дошта мешавад: ҲА. 8. H2-ҳои иловагӣ саволҳои интихобии AEO мебошанд: ҲА — танҳо барои мафҳумҳои асосии таҳдид ва усул истифода шуданд. 9. Entity-и асосии илмӣ равшан таъриф шуд: ҲА — On-Chip Intrusion Detection System, TinyML, SCA ва Hardware Trojan бо номҳои пайваста таъриф шуданд. 10. Ҳадди тафсирҳои дастгиришаванда ва дастгиринашаванда намоён аст: ҲА — натиҷаҳои баррасӣ ҳамчун натиҷаи як таҷрибаи ягонаи муштарак пешниҳод нашуданд. 11. Якпорчагии тасвир/markup санҷида шуд: ҲА — ду тасвири манбаъ ба шакли SVG-и аз ҷиҳати семантикӣ мустақил аз нав сохта шуданд; script/iframe/event handler вуҷуд надорад. 12. Номувофиқии дохили манбаъ санҷида шуд: ҲА — таниш миёни ибораи “100% Key Recovery” дар Ҷадвали 3 ва ибораи баъдии “prevent key recovery” ошкоро қайд карда шуд.

Системаи ошкорсозии ҳамла дар дохили чип (On-Chip Intrusion Detection System, OC-IDS), механизми амниятии наздик ба сахтафзор аст, ки бо назорати маҳаллии масрафи неру, паҳншавии электромагнитӣ, ҳисобкунакҳои иҷро ё дигар сигналҳои физикӣ ва микроархитектуравии чипи IoT рафтори ғайримуқаррариро ошкор кардан мехоҳад. Баррасии мавриди омӯзиш ҳамлаҳои канали паҳлӯӣ (Side-Channel Attacks, SCA), Hardware Trojan-ҳо (HT) ва ҳамлаҳои тазриқи хато (Fault Injection Attacks, FIA)-ро, ки System-on-Chip (SoC) ва микроконтроллерҳои каммасрафро ҳадаф мегиранд, тасниф мекунад; сипас муқоиса мекунад, ки моделҳои Edge AI ва TinyML барои ошкор кардани ин таҳдидҳо мустақиман дар чип ё дастгоҳи канорӣ чӣ гуна истифода шуда метавонанд. Тибқи синтези баррасии манбаъ, баъзе сохторҳои оптимизатсияшуда дар вазифаҳои марбут ба SCA ба метрикаҳои зиёда аз %99 ва дар ошкорсозии Hardware Trojan-и пинҳонӣ ба натиҷаҳои зиёда аз %92 мерасанд; аммо ин рақамҳо аз маҷмӯаҳои додаҳои гуногун, сахтафзорҳои гуногун ва метрикаҳои иҷрои гуногун омадаанд, бинобар ин натиҷаҳои мустақиман муқоисашавандаи як таҷрибаи ягона нестанд.

Даъвои марказии таҳқиқот ин аст, ки муҳофизаҳои анъанавии статикии сахтафзор дар чипҳои каммасрафи IoT метавонанд аз ҷиҳати масоҳати кремний ва неру хароҷоти зиёд эҷод кунанд, дар ҳоле ки меъмориҳои динамикии “Secure-by-Design”, ки бо TinyML муҷаҳҳазанд, метавонанд нишонаҳои ҳамлаҳои физикиро дар вақти воқеӣ ё наздик ба вақти воқеӣ мушоҳида кунанд. Бо вуҷуди ин, танҳо дақиқӣ кофӣ нест: таъхири inference, масрафи неру, хотира, масоҳати кремний, сатҳи false positive, камбуди додаҳои ҳамла ва осебпазир будани худи модели дифои зеҳни сунъӣ ба ҳамлаҳои adversarial маҳдудиятҳои асосии тарҳ мебошанд. Манбаъ ҳамчунин таъкид мекунад, ки бисёр натиҷаҳо на аз ченкунии кремнийи физикӣ, балки аз симулятсия, netlist-и синтезшуда ё муҳитҳои benchmark ба даст омадаанд ва холигии “simulation-to-silicon”-ро ҳамчун масъалаи муҳими таҳқиқоти оянда муайян мекунад.

Чаро Амнияти Сахтафзор дар Чипҳои IoT аз Амнияти Нармафзор Фарқ Мекунад?

Амнияти сахтафзор дар чипҳои IoT аз амнияти классикии нармафзор фарқ мекунад, зеро ҳамлагар метавонад на танҳо нармафзор ё трафики шабакаро, балки масрафи неру, паҳншавии электромагнитӣ, вақтбандӣ, сигналҳои соат ва таъминот, ҳатто сохтори физикии нимноқилро, ки ҳангоми ҳисоббарорӣ ба вуҷуд меоянд, истифода барад. Ҳатто агар алгоритми рамзгузорӣ аз ҷиҳати математикӣ бехатар бошад, рафтори физикии татбиқи воқеии CMOS метавонад маълумоти паҳлӯиро дар бораи калиди махфӣ ифшо кунад ё шароити кори чип қасдан вайрон карда шуда, иҷрои нодуруст ба вуҷуд оварда шавад.

Мушкил дар дастгоҳҳои IoT махсусан равшан аст, зеро ин системаҳо бо ҳадафҳои масрафи ками неру, масоҳати хурди кремний, арзиши паст ва хотираи маҳдуд тарҳрезӣ мешаванд. Таҳқиқот мегӯяд, ки баъзе муҳофизаҳои статикӣ, ба монанди shield, мантиқи dual-rail ё random clocking, метавонанд аз ҷиҳати масоҳати кремний ва неру тақрибан 2×–3× сарбории иловагӣ эҷод кунанд. Аз ин рӯ, миёни механизми амниятии қавӣ, вале вазнин ва чипи хурди каммасрафи IoT як созиши асосии тарҳрезӣ ба вуҷуд меояд.

Таксономияи таҳдидҳои сахтафзории манбаъ

Баррасӣ таҳдидҳои физикиеро, ки чипҳои IoT-ро ҳадаф мегиранд, ба се синфи асосӣ ҷудо мекунад: ҳамлаҳои канали паҳлӯӣ (SCA), Hardware Trojan-ҳо (HT) ва ҳамлаҳои тазриқи хато (FIA).

Ҳамлаи Канали Паҳлӯӣ Чист?

Ҳамлаи канали паҳлӯӣ синфи ҳамлаест, ки ба ҷойи шикастани мустақими сохтори математикии алгоритми криптографӣ, маълумоти физикиеро, ки чип ҳангоми ҳисоббарорӣ нохоста паҳн мекунад — ба монанди масрафи неру, майдони электромагнитӣ ё вақтбандӣ — таҳлил намуда, мехоҳад дар бораи ҳолати дохилӣ ё калиди махфӣ маълумот ба даст орад.

Таҳлили неру

Дар схемаҳои CMOS масрафи умумии неру аз ҷузъи ихроҷи статикӣ ва ҷузъи қувваи динамикӣ иборат аст. Манбаъ қувваи динамикиро, ки аз нигоҳи ҳамлагар махсусан ба додаҳо вобаста аст, бо муодилаи зерин медиҳад:

\[ P_{\mathrm{dynamic}}=\alpha C_L V_{dd}^{2} f \]

Дар ин ҷо \(\alpha\) коэффисиенти фаъолнокии гузаришро, \(C_L\) ғунҷоиши борро, \(V_{dd}\) шиддати таъминотро ва \(f\) басомади соатро ифода мекунад. Қувваи динамикӣ бо квадрати шиддати таъминот ва басомади соат алоқаманд аст. Нуктаи муҳими амниятӣ ин аст, ки \(\alpha\) ба додаҳои коркардшаванда вобаста аст. Вақте шумораи гузаришҳои 0→1 ё 1→0 дар гиреҳҳои мантиқӣ тағйир меёбад, ҷараёни кашидашаванда низ метавонад тағйир ёбад; бинобар ин изи физикии неру метавонад дар бораи коркарди додаҳо дар дохили протсессор маълумоти ғайримустақим дошта бошад.

Simple Power Analysis (SPA), аз мушоҳидаи мустақими изҳои неру истифода мебарад. Differential Power Analysis (DPA) ва Correlation Power Analysis (CPA) бошад дар асоси шумораи зиёди ченкуниҳо робитаи оморӣ месозанд. Дар CPA коррелятсияи Pearson миёни рафтори фарзиявии неру, ки аз моделҳои ихроҷ ба монанди Hamming Weight ё Hamming Distance ҳосил мешавад, ва ченкуниҳои воқеӣ арзёбӣ мешавад; гипотезаи дурусти калид метавонад ҳамчун номзаде муайян шавад, ки дар он коррелятсия боло меравад.

Таҳлили электромагнитӣ

Таҳлили электромагнитӣ паҳншавии электромагнитии майдони наздикро, ки аз ҷараёнҳои тағйирёбанда дар хатҳои металлии дохили SoC ба вуҷуд меояд, чен мекунад. Дар ҳоле ки таҳлили неру ҷараёни тамоми чипро ҷамъбастӣ мебинад, probe-и майдони наздики EM метавонад болои coprocessor-и муайяни криптографӣ ё блоки мантиқӣ ҷойгир карда шавад. Бартарие, ки манбаъ таъкид мекунад, ин аст, ки чунин локализатсияи физикӣ метавонад садои умумиро аз CPU, радио, периферияҳо ва интерфейсҳои хотира кам кунад.

Баррасӣ ҳамчунин муҳокима мекунад, ки дастгоҳҳои Software Defined Radio ченкуниҳои EM-ро дастрастар кардаанд ва равишҳои CNN-асоси Deep Learning Side-Channel Analysis метавонанд ҳатто дар шароити номутобиқии изҳо ё jitter намунаҳои ихроҷро омӯзанд.

Каналҳои вақтбандии микроархитектуравӣ

Ҳамлаҳои вақтбандӣ аз тағйироти вақти иҷро, ки ба арзиши дода ё калид вобастаанд, истифода мебаранд. Фарқи cache hit/cache miss, рафтори branch predictor, pipeline hazard-ҳо, instruction-level parallelism ва рақобат дар шинаи муштараки система ё interconnect метавонанд маълумоти вақтбандиро ифшо кунанд. Манбаъ махсусан қайд мекунад, ки дар баробари протсессорҳои барномавии Cortex-A ва RISC-V, баъзе микроконтроллерҳои сатҳи поёнии Cortex-M, ки дастрасии ҷадвалии вобаста ба калидро истифода мебаранд, низ аз каналҳои вақтбандӣ комилан мустақил нестанд.

Hardware Trojan Чист ва Чӣ Гуна Кор Мекунад?

Hardware Trojan тағйироти пинҳонии сахтафзор аст, ки метавонад дар яке аз марҳилаҳои тарҳрезӣ, IP, истеҳсол ё занҷираи таъминот ба микросхемаи интегралӣ илова шавад; ҳадафи он дар озмоиши муқаррарӣ ғайрифаъол мондан ва танҳо ҳангоми пайдо шудани шарти нодир фаъол шудан аст. Дар меъмории умумие, ки манбаъ истифода мебарад, Trojan аз ду қисми асосӣ иборат аст: триггер (trigger), ки ҳодисаи нодирро назорат мекунад, ва payload.

Триггерҳои комбинатсионӣ, метавонанд интизор шаванд, ки дар гиреҳҳои дохилӣ комбинатсияи хеле нодири битӣ ё мантиқӣ пайдо шавад. Манбаъ ҳамчун мисол шартҳои бисёр камэҳтимолро баррасӣ мекунад, масалан пайдо шудани арзиши мушаххаси 128-битӣ дар роҳи додаҳо. Чунин тарҳ метавонад ҳангоми векторҳои муқаррарии санҷишӣ ҳеҷ гоҳ фаъол нашавад.

Триггерҳои пайдарпай бошад метавонанд бо истифода аз ҳисобкунак ё мошини ҳолат пайдарпаии муайяни ҳодисаҳо, шумораи даврҳои соат ё вақти кори хеле дарозро назорат кунанд. Аз ин рӯ, Trojan метавонад тавре тарҳрезӣ шавад, ки танҳо хеле баъд аз ҷойгиркунӣ фаъол гардад.

Payload метавонад се навъи асосии натиҷаро ба вуҷуд орад: Denial of Service; калиди махфиро тавассути неру, таъхир ё covert channel-и мантиқӣ ба берун интиқолдиҳандаи information leakage; ё, масалан, бо вайрон кардани рафтори Random Number Generator натиҷаи ҳисоб ё энтропияи криптографиро тағйирдиҳандаи functional/parametric modification.

Ҳамлаҳои тазриқи хато

Fault Injection Attack бо дахолати қасдан физикӣ ба шароити кори чип мехоҳад иҷрои нодуруст ё натиҷаи миёнаравии хаторо ба вуҷуд оварад. Манбаъ се мисоли асосӣ меорад: voltage/power glitching, clock glitching ва optical/laser fault injection. Вайроншавии кӯтоҳмуддат дар сигнали неру ё соат метавонад шартҳои setup/hold ё раванди instruction fetch/decode-ро вайрон кунад; дахолати оптикӣ бошад метавонад дар кремний тағйироти маҳаллии битӣ ба вуҷуд оварад. Дар криптография хатогиҳои идорашаванда метавонанд барои усулҳое чун Differential Fault Analysis дода фароҳам кунанд.

Ҳадафҳо ва таъсирҳои амниятии таҳдидҳо

Усул ва Натиҷаҳои Таҳқиқот

TinyML Барои Ошкорсозии Ҳамла Дар Дохили Чип Чӣ Гуна Истифода Мешавад?

TinyML моделҳои бузурги омӯзиши мошиниро ба буҷетҳои хотира, неру ва ҳисоббарорӣ мутобиқ мекунад, то онҳо мустақиман дар микроконтроллер ё SoC-и каммасраф кор карда тавонанд ва сигналҳои амнияти физикӣ бе фиристодан ба абр ба таври маҳаллӣ таҳлил шаванд. Ҳамин тавр, сигналҳое чун изи неру ё EM, ҳисобкунаки иҷро, рафтори ҳарорат ё баромади детектори хато метавонанд аз ҷониби OC-IDS ба тарзи наздик ба вақти воқеӣ тасниф карда шаванд.

1D-CNN: ёфтани намунаҳо дар изҳои физикӣ

Convolutional Neural Network-и якченака (1D-CNN) метавонад намунаҳои маҳаллиро дар қаторҳои якченакаи вақт, ба монанди ченкунии неру ё электромагнитӣ, омӯзад. Дар манбаъ амали конволютсия барои қабати \(l\) чунин дода шудааст:

\[ y_i^l = \sigma \left( \sum_{k=0}^{K-1} w_k \cdot x_{i+k}^{l-1} + b \right) \]

Дар ин ҷо \(x_{i+k}^{l-1}\) қимати вуруд аз қабати қаблиро, \(w_k\) вазни ядрои конволютсияро, \(b\) ҳади bias-ро, \(\sigma\) функсияи фаъолсозиро ва \(K\) паҳнои ядро ифода мекунад. Азбаски филтри конволютсия дар тӯли қатори вақт ҳаракат мекунад, намунаи муайяни неру ё EM ҳатто агар бо лағжиши хурди вақт пайдо шавад, омӯхта мешавад. Манбаъ ин хусусиятро яке аз сабабҳои устуворӣ ба jitter ва номутобиқии изҳои канали паҳлӯӣ медонад.

RNN, LSTM ва GRU: ҳодисаҳои амниятии дар вақт паҳншуда

Триггери Hardware Trojan ё ихроҷи канали паҳлӯӣ метавонад на як лаҳза, балки пайдарпаии ҳодисаҳое бошад, ки ба даврҳои зиёди соат паҳн шудаанд. Оилаи Recurrent Neural Network барои моделсозии вобастагиҳо дар пайдарпаии вақт мувофиқ аст. Дарвозаҳои input, forget ва output-и LSTM барои нигоҳ доштани робитаҳои дарозмуддат тарҳрезӣ шудаанд; GRU бошад метавонад вазифаи монанди моделсозии пайдарпаиро бо сохтори дарвозаҳои фишурдатар таъмин кунад.

Баррасӣ махсусан таъкид мекунад, ки моделҳои замонӣ метавонанд барои ошкор кардани ҳодисаҳои пайдарпайи Hardware Trojan ё ихроҷи физикие, ки дар тӯли якчанд амали ҷудогона пайдо мешавад, муҳим бошанд.

Autoencoder Hardware Trojan-ҳои Номаълумро Чӣ Гуна Ошкор Карда Метавонад?

Агар autoencoder танҳо бо рафтори муқаррарии чип омӯзонда шавад ва бозсозии сигнали вурудро омӯзад, метавонад афзоиши хатои бозсозиро ҳангоми ҳамла ё рафтори Trojan, ки аз тақсимоти омӯзишӣ фарқ мекунад, ҳамчун сигнали аномалия истифода барад; бинобар ин лозим нест ҳар навъи ҳамларо пешакӣ бо тамға донад.

Манбаъ талафоти бозсозиро бо Mean Squared Error чунин ифода мекунад:

\[ L = \frac{1}{N} \sum_{i=1}^{N} \left\| x_i-\hat{x}_i \right\|^2 \]

Дар ин ҷо \(x_i\) намунаи аслии вуруд, \(\hat{x}_i\) намунаи аз ҷониби autoencoder бозсозишуда ва \(N\) шумораи намунаҳост. Мантиқи қарор:

\[ L > \tau \]

бошад, система қарори ҳамла/огоҳиро медиҳад. \(\tau\) ҳадди пешакӣ муайяншуда аст. Ин усул махсусан барои аномалияҳои zero-day бе тамға ҷолиб аст; аммо интихоби ҳад метавонад аз тағйироти муқаррарии истеҳсолӣ таъсир гирад ва сатҳи false positive-ро баланд кунад.

Таксономияи моделҳои TinyML дар манбаъ

Муқоисаи иҷрои таҳқиқоти муосир, ки дар манбаъ оварда шудааст

Ин қиматҳои иҷро набояд мустақиман ҳамчун ҷадвали рейтинг хонда шаванд. “Accuracy”, “success rate”, “F1-score”, “key classification”, “key recovery” ва “true positive rate” як метрика нестанд. Маҷмӯаҳои дода, платформаҳо, ҳадафҳои ҳамла ва шароити арзёбии таҳқиқотҳо низ фарқ мекунанд. Масалан, SCA trace classification дар benchmark-и ASCAD ва ошкорсозии Hardware Trojan дар FPGA-и воқеӣ аз ҷиҳати илмӣ як таҷриба нестанд.

Бахши хулосаи манбаъ мегӯяд, ки равишҳои оптимизатсияшудаи монанди Mamba-CNN ва GRU метавонанд дар вазифаҳои SCA ба зиёда аз %99 ва дар Hardware Trojan-и пинҳонӣ ба зиёда аз %92 натиҷа расанд; баъзе сохторҳои оптимизатсияшуда нисбат ба baseline-ҳои стандартии омӯзиши амиқ метавонанд то %75 масрафи камтари неру таъмин кунанд. Аммо ин ибораи %75 натиҷаи синтези баррасист; онро набояд ҳамчун як таносуби ягонае, ки дар озмоиши умумии сахтафзор барои ҳамаи моделҳо чен шудааст, тафсир кард.

Таниши муҳими метрикӣ дар дохили манбаъ

Дар сатри [14]-и Ҷадвали 3 барои равиши Ensemble MLP/CNN ошкоро “100% Key Recovery (<3k traces)” навишта шудааст. Ин ибора ба метрикаи ҳамла/истихроҷи бомуваффақияти калид мувофиқат мекунад. Дар муқобил, параграфи синтез пас аз Ҷадвали 3 мегӯяд, ки моделҳо “бо камтар аз 3000 trace тавонистаанд key recovery-ро пешгирӣ кунанд”. Ин ду ибора аз ҷиҳати самт яксон нестанд. Азбаски матни Verianla ислоҳи дар манбаъ набударо эҷод намекунад, қимати ҷадвал айнан нигоҳ дошта шуда, зиддият ошкоро нишон дода шудааст.

Чаро Дақиқии Баландтарин Ҳамеша Беҳтарин Ҳалли Амнияти Чип Нест?

Қобили истифода будани модели амниятӣ дар чипи IoT танҳо бо дақиқии тасниф муайян намешавад; таъхири inference, масрафи энергия, талаботи SRAM/Flash, масоҳати кремний, сатҳи false positive ва қобилияти вокуниш пеш аз рух додани ҳамлаи физикӣ бояд якҷоя арзёбӣ шаванд. Тибқи манбаъ, CNN-ҳои мураккабтар метавонанд дақиқии баланд диҳанд, аммо барои пешгирии Trojan-и instruction-level дар вақти воқеӣ таъхири онҳо аз ҳад зиёд бошад.

Созиши Accuracy–latency

Манбаъ муҳокима мекунад, ки дар системаҳои дорои талаботи баланди амниятӣ моделҳои амиқ метавонанд барои устуворӣ ба шароити мураккаби канали паҳлӯӣ, монанди jitter, интихоб шаванд; дар гиреҳҳои ултракаммасраф бошад MLP-и оптимизатсияшуда ё сохторҳои гибридӣ метавонанд аз ҳисоби вақти кӯтоҳтари вокуниш бартарӣ диҳанд. Пас интихоби модели амниятӣ ҷустуҷӯи “accuracy-и баландтарин” нест, балки мутобиқсозии якҷояи миқёси вақти ҳамла ва буҷети сахтафзор мебошад.

Умумисозӣ ва мушкили false positive

Равиши беназорати autoencoder барои ошкор кардани ҳамлаҳои номаълум бартарӣ дорад; аммо тағйирпазирии шароити муқаррарии истеҳсол ва кор низ метавонад қимати reconstruction error-ро афзоиш диҳад. Тибқи манбаъ, барои расидан ба сатҳҳои ошкорсозии зиёда аз %92 мумкин аст ҳадҳои огоҳӣ бодиққат калибр карда шаванд ва баъзе равишҳо ба рафтори эталонии солими маълум, ки “Golden Chip” ном дорад, ниёз дошта бошанд. Дар истеҳсоли силсилавӣ ҳамеша мавҷуд будани чунин эталон кафолат дода намешавад.

Холигии Simulation-to-silicon

Яке аз танқидҳои муҳими баррасӣ ин аст, ки бисёр таҳқиқот сарбории иловагии неру, масоҳат ва таъхирро ба ҷойи ченкунии мустақим дар кремнийи истеҳсолшуда аз рӯйи netlist-и синтезшуда ё симулятсия гузориш медиҳанд. Манбаъ мегӯяд, ки дар муқоиса бо татбиқҳои санҷидашудаи FPGA, сарбориҳои хеле ками неру — камтар аз %1 — дар бисёр ҳолатҳо метавонанд ба оптимизатсияҳои агрессивӣ чун quantization ва pruning вобаста бошанд.

Аз ин рӯ, барои таҳқиқоти оянда Hardware-in-the-Loop ва санҷиши физикии сахтафзор таъкид мешавад. Муваффақ будани алгоритм дар сатҳи Python, симулятсия ё RTL худ аз худ кафолат намедиҳад, ки он дар муҳити воқеии IoT зери садои электромагнитӣ, тағйири ҳарорат, вариатсияи кремний ва буҷети неру ҳамон натиҷаро медиҳад.

Усулҳои фишурдани модел

• Quantization: Вазнҳо ва фаъолсозиҳои модел аз 32-bit floating-point ба 8-bit integer ё дақиқии пасттар гузаронда мешаванд. Хароҷоти хотира ва арифметика метавонад кам шавад.
• Pruning: Вазнҳо, каналҳо ё қабатҳои нолозим хориҷ шуда, шумораи амалҳои inference кам карда мешавад. Pruning-и сохторӣ барои сахтафзор метавонад меъмории муназзамтар диҳад.
• Knowledge Distillation: Рафтори модели калони “teacher” ба модели хурдтари “student” интиқол дода мешавад. Ҳадаф гирифтани модели фишурдатар бо нигоҳ доштани қисми муҳими дақиқӣ аст.

Се меъмории асосии ҷойгиркунӣ дар дохили чип

Равиши Secure-by-Design

Дар дидгоҳи ояндаи манбаъ, амният модули канорие нест, ки пас аз анҷоми чип илова шавад, балки қисми микроархитектура аст. Пешниҳод мешавад, ки сохтори Root of Trust дар меъмории протсессор ҷойгир карда шавад ва сахтафзори кушода, мантиқи аз нав конфигуратсияшаванда ва механизмҳои маҳаллии мониторинги зеҳни сунъӣ якҷоя кор кунанд.

RISC-V, бо сабаби шаффофияташ дар сатҳи RTL дар ин замина махсусан баррасӣ мешавад. Манбаъ мегӯяд, ки меъмориҳои кушода метавонанд санҷиши формалии рафтори пинҳонии сахтафзор ва рушди муҳитҳои иҷрои ҷудошударо осон кунанд.

Embedded FPGA бошад потенсиали таъмин кардани мантиқи амниятии аз нав конфигуратсияшавандаро бар зидди осебпазириҳои сахтафзор, ки пас аз ҷойгиркунӣ пайдо мешаванд, дорад. Monitor-и нав ё муҳаррики ислоҳшудаи криптографӣ метавонад дар eFPGA аз нав конфигуратсия шавад.

Худи дифои зеҳни сунъӣ низ сатҳи ҳамла аст

Истифодаи механизми амниятии AI-асос мушкили амниятро комилан аз байн намебарад. Манбаъ ҳамлаҳои adversarial-ро ҳамчун масъалаи кушодаи таҳқиқотӣ баррасӣ мекунад, ки дар онҳо perturbation-ҳои хурд ва душворошкор ба изи неру илова шуда, метавонанд классификатори CNN-асосро водор кунанд, ки ҳамларо рафтори муқаррарӣ бинад.

Ғайр аз ин, намунаҳои Hardware Trojan ва fault injection-и муваффақ табиатан ҳодисаҳои нодир мебошанд. Ин номутавозунии ҷиддии синфҳо ва камбуди додаҳоро ба вуҷуд меорад. Манбаъ пешниҳод мекунад, ки дар оянда моделҳои тавлидӣ ба монанди GAN барои сохтани изҳои синтетикии ҳамла арзёбӣ шаванд; аммо ин пешниҳоди самти таҳқиқоти ояндаи баррасӣ аст, на натиҷаи дар сатҳи саҳро тасдиқшуда.

Фишори захираҳо аз криптографияи пасоквантӣ

Талаботи калони калид ва хотираи алгоритмҳои Post-Quantum Cryptography, вақте бо системаи мониторинги амниятии TinyML-асос дар як чипи каммасраф кор мекунанд, метавонанд созиши неру ва масоҳатро боз ҳам душвортар кунанд. Манбаъ дар дарозмуддат Spiking Neural Network ва протсессорҳои нейроморфиро, ки ҳисоббарории ҳодисамеҳвар ва асинхронӣ анҷом медиҳанд, яке аз самтҳои эҳтимолии таҳқиқот барои ин масъала медонад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Сарҳади амнияти IoT танҳо дар қабати шабака ва нармафзор нест; неру, EM, вақтбандӣ, занҷираи таъминот ва шароити физикии кор низ сатҳи ҳамла мебошанд.
• SCA, Hardware Trojan ва Fault Injection се синфи асосии модели таҳдидҳои сахтафзории баррасии манбаъро ташкил медиҳанд.
• Edge AI ва TinyML барои анҷом додани баъзе таҳлилҳои амниятӣ мустақиман дар дастгоҳи канорӣ ё SoC равиши амалишаванда пешниҳод мекунанд.
• 1D-CNN, LSTM/GRU, autoencoder, SVM, Random Forest ва SNN барои навъҳои гуногуни ҳамла ва буҷетҳои сахтафзор бартариҳои гуногун доранд; модели ягонаи универсалӣ вуҷуд надорад.
• Фишурдани модел, quantization ва pruning барои AI inference дар чипҳои каммасраф усулҳои муҳиманд.
• Баъзе моделҳои SCA, ки дар манбаъ ҷамъбаст шудаанд, ба метрикаҳои зиёда аз %99 ва равишҳои ошкорсозии Hardware Trojan ба зиёда аз %92 мерасанд.
• Танҳо дақиқии баланд кофӣ нест; latency, энергия, хотира, масоҳат ва рафтори false-positive бояд якҷоя арзёбӣ шаванд.
• Санҷиши кремнийи воқеӣ талаботи асосии таҳқиқот ҳангоми гузариш аз натиҷаҳои симулятсия ва синтез ба маҳсулоти физикӣ мебошад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Мақола як чипи нави IoT истеҳсол карда, ҳамаи моделҳои AI-ро дар як таҷрибаи ягона муқоиса намекунад.
• Фоизҳои гуногуни Ҷадвали 3 аз як метрика ё як маҷмӯаи дода ба даст наомадаанд.
• Натиҷаи benchmark-и зиёда аз %99 ҳамон муваффақияти ошкорсозиро дар ҳамаи дастгоҳҳои воқеии IoT кафолат намедиҳад.
• Сарбории иловагии неру/масоҳати камтар аз %1 хусусияти умумии ҳамаи меъмориҳои TinyML нест.
• Омӯзиши беназорат кафолат намедиҳад, ки ҳамаи Hardware Trojan-ҳои номаълум худкор ошкор мешаванд.
• RISC-V, eFPGA ё AI-и нейроморфӣ худ аз худ кафолати чипи бехатар нест; онҳо дар манбаъ ҳамчун самтҳои меъмории оянда муҳокима мешаванд.
• Модели дифои AI-асос сатҳҳои нави ҳамларо аз байн намебарад; adversarial manipulation бояд алоҳида баррасӣ шавад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Security Threats and AI-Based Detection Techniques in IoT Chips

Муаллифон: Hiba El Balbali, Anas Abou El Kalam

Муаллифи масъул: Hiba El Balbali

Муассиса: LaRTID Laboratory, National School of Applied Sciences, Cadi Ayyad University, Marrakech 40000, Morocco

Маҷалла: Chips

Ношир: MDPI

Ҳувияти библиографӣ: Chips 2026, Ҷилди 5, Шумораи 1, Мақолаи 9

DOI: 10.3390/chips5010009

Навъи манбаъ: Review

Вазъи баррасии ҳамтоён: Мақолаи маҷаллаи баррасишуда. Chips маҷаллаи байналмилалии дастрасии кушода ва баррасишаванда аст, ки аз ҷониби MDPI нашр мешавад.

Санаи ирсол: 31 декабри 2025

Санаи бозбинӣ: 18 феврали 2026

Санаи қабул: 27 феврали 2026

Санаи нашр: 4 марти 2026

Иҷозатнома: Иҷозатномаи дастрасии кушоди Creative Commons Attribution (CC BY).

Маблағгузорӣ: Муаллифон хабар додаанд, ки таҳқиқот маблағгузории беруна нагирифтааст.

Дастрасии додаҳо: Гуфта шудааст, ки дар таҳқиқот додаҳои нав эҷод ё таҳлил нашудаанд. Қиматҳои иҷрои мақола аз таҳқиқоти қаблии баррасишуда ҷамъбаст шудаанд.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро гузориш накардаанд.

Саҳми муаллифон: Тибқи изҳороти манбаъ, консептуализатсия ва усул аз ҷониби Hiba El Balbali анҷом дода шудааст; тарҳи аввалро Hiba El Balbali омода кардааст; бозбинӣ ва таҳрирро Hiba El Balbali ва Anas Abou El Kalam анҷом додаанд; визуализатсия ва идоракунии лоиҳа ба Hiba El Balbali, машварат/назорат ба Anas Abou El Kalam тааллуқ дорад.

Усули илмӣ: Ин таҳқиқот ба ҷойи сохтани benchmark-и нави таҷрибавӣ, баррасии фарогири адабиёт аст, ки таҳдидҳои сахтафзорро тасниф мекунад, таҳқиқоти амнияти AI/TinyML-ро муқоиса менамояд ва таксономияҳо ва чаҳорчӯбаҳои муқоисавии таҳиякардаи муаллифонро пешниҳод мекунад.

Маҳдудияти асосии методологӣ: Навъҳои ҳамла, сахтафзорҳо, маҷмӯаҳои дода ва метрикаҳои арзёбии таҳқиқоти баррасишуда гетерогенӣ мебошанд. Қиматҳои Accuracy, F1-score, key recovery, success rate ва TPR мустақиман баробар нестанд. Аз ин рӯ, Ҷадвали 3 набояд ҳамчун муқоисаи назоратшудаи моделҳо дар як benchmark хонда шавад.

Ёддошт оид ба номувофиқии дохили манбаъ: Манбаъ дар Ҷадвали 3 барои [14] “100% Key Recovery (<3k traces)” гузориш медиҳад. Матни шарҳи пас аз ҷадвал бошад мегӯяд, ки моделҳо “key recovery-ро бо камтар аз 3000 trace пешгирӣ карданд”. Ин ду ибора аз ҷиҳати самт мутобиқ намебошанд. Verianla ислоҳи дар манбаъ набударо ворид накардааст; маълумоти ҷадвал ва фарқи матни тавзеҳро ҷудогона нишон додааст.