能量收集是从环境中的不同来源(例如太阳能、热能、机械能和射频)收集能量的过程。能量收集被认为是传统电池的替代解决方案,因为传统电池具有一定的耐用性限制并且不环保[1]。由于传统电池占用很大面积并且不能定期更换,因此人体植入设备和卫星系统等某些应用都需要进行能量收集[2]。长寿命电池已成为所有便携式应用的需求。收集可再生能源的最佳来源之一是压电收集器。压电性是某些材料的一种特性,当对材料施加应力或振动时,其表面会感应出电荷。这些电荷产生电压差,用于为电子电路供电[3]。因此,人们在这个领域进行了大量研究。本文从文献综述开始,在第二部分,它讨论了以前发表的设计以及所提出的系统中的新颖之处。在第三部分,介绍了系统架构,其中
低功耗蓝牙 (BLE) 是一种很有前途的物联网 (IoT) 短距离通信技术,具有降低能耗的特点。供应商在其制造的设备中实施符合蓝牙核心规范的 BLE 协议。最近,通过手动方法,在一些特定产品的 BLE 协议实现中发现了几个漏洞。考虑到 BLE 设备的多样性和用途以及 BLE 协议的复杂性,我们开发了一个系统而全面的测试框架,作为一种自动化和通用的方法,它可以有效地模糊任何 BLE 协议实现。我们的框架在中央设备中运行,并在 BLE 设备作为外围设备连接到中央设备时对其进行测试。我们的框架结合了 BLE 协议套件的状态机模型,并通过其响应监视外围设备的状态。借助状态机和中央设备的当前状态,我们的框架可以在错误的时间向外围设备发送格式错误的数据包或正常数据包,或者两者兼而有之,并等待预期的响应。外围设备的异常行为(例如不合规响应或无响应)表明其 BLE 协议实现中存在潜在漏洞。为了最大限度地暴露 BLE 设备的此类异常,我们的框架采用了优化函数来指导模糊测试过程。截至今天,我们已经测试了来自 8 家供应商的 12 台设备和 4 款 IoT 产品,共发现 11 个新漏洞,并分配了 13 个新的通用漏洞暴露 (CVE) ID。我们将这类漏洞称为 S WEYN T OOTH,这凸显了我们框架的有效性。
摘要-本文介绍了一种线路解码器的混合逻辑设计方法,结合了传输门逻辑和传输晶体管。针对 2-4 解码器,提出了两种新型拓扑结构:一种是旨在最小化晶体管数量和功耗的 14 晶体管拓扑结构,另一种是旨在实现高功率延迟性能的 15 晶体管拓扑结构。完整的设计是在解码器的正常模式下完成的,因此存在两种 2-4 解码器设计。此外,还设计了两个新的 4-16 解码器,使用混合逻辑 2-4 预解码器与标准 CMOS 后解码器相结合。与传统的 CMOS 解码器相比,所有提出的解码器都具有全摆幅能力和更少的晶体管数量。最后,使用 LTspice 编码在电子 VLSI 软件中对 300nm 进行了各种比较 Spice 模拟,结果表明,与 CMOS 相比,提出的电路在几乎所有情况下都具有显着的功率和延迟改进。
6 模块引脚................................................................................................................................ 7
第 4 条 出口限制 除经日本和美国等国的法律法规授权外,您不得直接或间接使用或以其他方式出口或再出口本软件。特别是,本软件不得出口或再出口到 (a) 任何日本或美国禁运的国家或 (b) 任何受日本出口管制法规或美国财政部特别指定国民名单或美国商务部拒绝人员名单或实体名单限制的人员。在使用本软件时,您保证您不在任何此类禁运国家或任何此类名单上。您还同意您不会将本软件用于或以其他方式出口或再出口用于日本和美国法律法规禁止的任何目的,包括但不限于开发、设计和制造或生产导弹或核武器、化学武器或生物武器以及大规模杀伤性武器以及常规武器。
物联网 (IoT) 是近年来不断发展的领域。随着部署的 IoT 设备数量不断增加,人们对在这些设备上加入机器学习的兴趣也与日俱增。低功耗微控制器提供了一个低成本的计算平台来部署智能 IoT 应用,但片上内存和计算能力极其有限。在这些应用中使用机器学习凸显了本地计算与将数据发送到云端等计算能力更强大的资源之间的权衡。本文通过人物分类和人物检测的计算机视觉任务探讨了这种权衡空间;人物分类涉及确定图像中是否存在人,而人物检测涉及为图像中的所有人提供边界框信息。本文使用现有模型执行这些任务,并根据延迟、能耗、内存和准确性等指标评估在本地运行模型和将数据发送到云端之间的权衡。所选模型在 nRF52840 SoC 上运行,这是一种低功耗 MCU 系统,支持 Thread 和 802.15.4 协议。我们的研究结果证实,在考虑能耗、内存、准确度和延迟的情况下,低能耗受限嵌入式系统中的本地计算对于人员分类是有意义的;但是,由于基本内存限制,这些平台与人员检测等更复杂的任务不兼容。
摘要 — 迄今为止,脑启发式认知计算主要有两种方法:一种是使用多层人工神经网络 (ANN) 执行模式识别相关任务,另一种是使用脉冲神经网络 (SNN) 模拟生物神经元,以期达到与大脑一样高效和容错的效果。前者由于结合了有效的训练算法和加速平台而取得了长足的进步,而后者由于缺乏两者而仍处于起步阶段。与 ANN 相比,SNN 具有明显的优势,因为它们能够以事件驱动的方式运行,因此功耗非常低。最近的几项研究提出了各种 SNN 硬件设计方案,然而,这些设计仍然会产生相当大的能源开销。在此背景下,本文提出了一种涵盖设备、电路、架构和算法级别的综合设计,以构建用于 SNN 和 ANN 推理的超低功耗架构。为此,我们使用基于自旋电子学的磁隧道结 (MTJ) 设备,这种设备已被证明既可用作神经突触交叉开关,又可用作阈值神经元,并且可以在超低电压和电流水平下工作。使用这种基于 MTJ 的神经元模型和突触连接,我们设计了一种低功耗芯片,该芯片具有部署灵活性,可用于推理 SNN、ANN 以及 SNN-ANN 混合网络的组合——与之前的研究相比,这是一个明显的优势。我们在一系列工作负载上展示了 SNN 和混合模型的竞争性能和能源效率。我们的评估表明,在 ANN 模式下,所提出的设计 NEBULA 的能源效率比最先进的设计 ISAAC 高达 7.9 倍。在 SNN 模式下,我们的设计比当代 SNN 架构 INXS 的能源效率高出约 45 倍。 NEBULA ANN 和 SNN 模式之间的功率比较表明,对于观察到的基准,后者的功率效率至少高出 6.25 倍。索引术语 — 神经网络、低功耗设计、领域特定架构、内存技术
为了抵御中间人 (MITM) 攻击等安全威胁,低功耗蓝牙 (BLE) 4.2 和 5.x 引入了仅安全连接 (SCO) 模式,在此模式下,BLE 设备只能接受来自发起者(例如 Android 手机)的安全配对,例如密码输入和数字比较。但是,BLE 规范并不要求发起者采用 SCO 模式,也没有指定 BLE 编程框架应如何实现此模式。在本文中,我们表明发起者的 BLE 编程框架必须正确处理 SCO 启动、状态管理、错误处理和绑定管理;否则,严重缺陷可能被利用来执行降级攻击,迫使 BLE 配对协议在用户不知情的情况下以不安全模式运行。为了验证我们的发现,我们使用 5 部 Android 手机测试了 18 种流行的 BLE 商业产品。我们的实验结果证明,所有这些产品都可能遭受 MITM 攻击(由降级引起)。更重要的是,由于 BLE 编程框架中的此类系统缺陷,Android 中的所有 BLE 应用程序都可能受到我们的降级攻击。为了防御我们的攻击,我们在 Android 开源项目 (AOSP) 上为 Android 8 上的 SCO 模式构建了一个原型。最后,除了 Android,我们还发现所有主流操作系统(包括 iOS、macOS、Windows 和 Linux)都无法正确支持 SCO 模式。我们已将已识别的 BLE 配对漏洞报告给蓝牙特别兴趣小组、谷歌、苹果、德州仪器和微软。
本文介绍了一种基于电压差分跨导放大器 (VDTA) 的波有源滤波器的高阶电压和电流模式低通或高通滤波器。针对波有源滤波器的基本有源构建模块,提出了波等效变量技术和拓扑模拟以及使用波变量技术的操作实现。将所提出的波等效技术与正确选择端子连接一起应用于波有源滤波器。本文提出,实现波有源滤波器的基本元件是串联电感和并联接地电容。通过使用 SPICE 模拟和 0.18 µm TSMC CMOS 技术参数,实现了最低功耗为 ±0.82 V 的 4 阶低通和高通巴特沃斯滤波器,从而验证了所提出的波有源滤波器。
JF Ensworth 和 MS Reynolds,“每部智能手机都是背向散射读取器:与蓝牙 4.0 低功耗 (BLE) 设备的调制背向散射兼容性”,IEEE RFID 会议 2015。