摘要
目前，TinyML 模型可以直接在仅具有千字节级存储空间的微控制器上运行推理，部署于传感器、可穿戴设备及工业设备等场景中。这些设备通常没有云端连接，一旦部署便无法接收补丁更新。这使得它们极易成为攻击目标，因为压缩模型在抵御对抗攻击和模型提取攻击方面的能力往往弱于全精度模型，然而大多数 TinyML 研究仍将安全性视为在压缩之后添加的一个步骤，而非在压缩过程中加以考虑。本文提出了一种三层“安全设计”架构，旨在填补这一空白。第一层在最终架构确定之前，对候选压缩模型依据联合适应度函数进行评分，该函数综合考量了干净数据准确率、对抗鲁棒性和模型体积。第二层在启动时及空中升级（OTA）过程中，使用轻量级 ASCON 密码算法对模型权重进行签名和验证。第三层是一个运行时监控模块，能够对接收到的查询计算实时的数据分布漂移分数，一旦该分数超过固定阈值，便提升本地防御强度，而无需经过云端往返通信。整个流程在真实的微控制器硬件上进行了验证，而非仅依赖仿真，并在不超过 62 KB 内存预算的限制下，将推理延迟控制在 10 毫秒以内。在 Edge-IIoTset 数据集上，与真实的基线模型相比，所提方法达到了 94.3% 的准确率，为所有测试模型中最高，同时将攻击成功率从 60–84% 以上降低至 38.9%，并将模型提取的查询成本提升了五倍以上。消融实验和五组随机种子的统计检验进一步证实，该性能提升是真实有效的，且源于三个层级的协同作用，而非任何单一组成部分。
