ICBPI：精确且经过验证的细粒度功耗估计方法，应用于系统级芯片（SOC）中的热硬件木马检测与定位

《ACM Transactions on Design Automation of Electronic Systems》：ICBPI: Accurate and Validated Fine-Grained Power Estimation with Application to Thermal Hardware Trojan Detection and Localization in SOCs

细粒度SoC功耗估计方法改进研究，提出ICBPI结合总功耗与温度数据实现高精度估算，较基线方法降低77.56%误差，在异构架构中优于ABPI，NVIDIA Jetson Xavier AGX验证有效。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

精细的功耗估计对于现代多核系统芯片（MPSoC）的设计和运行至关重要，它可以在制造前进行早期的功耗和热预算规划，在运行时实现预测性热控制，进行硅后微架构能量调试以及硬件安全分析。现有的系统级芯片（SoC）设计通常仅依赖于总功耗测量，因为功耗传感器的成本、体积和复杂性较高。然而，功耗测量的精度和粒度不足导致功耗和热管理效率低下，并限制了检测故障或被篡改的传感器的能力。为了解决这些问题，我们提出了改进的聚类盲功耗识别（ICBPI）方法，这是一种用于SoC中精细功耗估计的创新方法。ICBPI利用总功耗测量和单位温度数据，即使存在潜在不可靠的传感器，也能提供准确的单位功耗估计。这种双重关注不仅提高了功耗估计的准确性，从而做出了更好的功耗管理决策，还增强了检测恶意传感器（例如那些被硬件木马攻击破坏的传感器）的能力，这些传感器会篡改传感器数据以引发潜在的系统故障。在四种SoC架构上的广泛评估表明，与基线盲功耗识别（BPI）方法相比，ICBPI在降低每核功耗估计误差方面表现优异，误差降低了$77.56\%$；与最先进的方法相比，误差降低了$68.44\%$。此外，ICBPI在检测恶意热传感器攻击方面达到了$100\%$的准确率，并且相比盲识别对策（BIC）方法改进了定位过程。在ICBPI与最新模型交替盲功耗识别（ABPI）的比较分析中，ICBPI在2 × 2网格基准测试中的错误率低至$0.5\%$，在异构架构上优于ABPI。NVIDIA Jetson Xavier AGX开发板被用作验证ICBPI的平台。因此，与三种现有的最先进方法相比，ICBPI在CPU上的平均误差降低了$79.71\%$，在GPU上的误差降低了$79.59\%$。

人工智能摘要

人工智能生成的摘要（实验性）

该摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的官方总结。完整文章是权威版本。点击这里了解更多。

点击这里对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。