XiaoMi-AI文件搜索系统
World File Search System边缘设备
边缘设备上的人工智能概述
摘要 人工智能 (AI) 是物联网 (IoT) 设备领域最重要的应用之一。本文将重点介绍边缘设备上 AI 的开发及其开发 AI 模型的能力。本研究将回顾有关该主题的不同资源，并通过 Raspberry Pi 3 和 Raspberry Pi 4 得出一些个人结论。可以得出结论，边缘设备易于使用，甚至更容易使用首选任务进行编程，但由于其尺寸和处理能力，它们不会像传统计算设备那样产生结果。从边缘设备获得的结果令人满意，而且由于它们体积更小、更易于访问，它们也增加了 AI 的使用案例。本章还将重点介绍不同的问题陈述，例如对象检测，并尝试在某些硬件类别上对其进行测试，确定模型的性能，并得出结论，即哪种硬件最适合开发某些 AI 模型，哪种硬件将产生最佳结果。关键词：人工智能、信息技术、智能手机。
用于节能智能边缘设备的纳米电子学
边缘设备。先进的芯片设计正在降低微电子元件、设备和系统的能耗，同时提高速度、容量、可靠性和安全性等性能。应用包括人工智能、通信、计算和传感。各种策略都已经过测试，但通过整体方法共同设计几何、材料、电路和集成，仍有很大的空间将功耗降低到接近基本极限。这项挑战赛的总体目标是探索新材料和超越 CMOS 的设备、非冯·诺依曼架构和替代信息处理范式，以大幅降低能耗，以满足智能边缘设备和电路的特定应用需求。
EZ-PD™PMG1-B1 开始使用CapSense™ 分开高级传动系统和HV-DCDC应用程序的充电和负载要求 实习 - 供应链工程职位描述 IRHQ57110 使用NFC能源收集技术构建无电池智能锁 降低电池操作的智能设备的功耗 电动电动电池热失控检测的传感器 AN0002-如何在Traveo T2G 中使用efuse处理的API系统调用 einberufung 网络研讨会 - 无电池的物联网设备 SLC39B Xensiv™ - KP467气压传感器 物联网边缘设备的安全体系结构 Aurix™32位微型控制器用于汽车和... optiga™Trust M-数据表 optiga™TPM SLM 9670 TPM2.0 绿色氢：通过综合电源转换解决方案有效电解 “安全启动” SDK用户指南 AN234802- XMC7000家庭中的安全系统配置 在Traveo™T2G家族中使用SMIF MTCOS ID 2.6 Infineon的SLC37 上的本机OS
EZ-PD™PMG1-B1是一种单芯片解决方案，它集成了USB PD控制器，高压微控制器（MCU），Buck-Boost Controller，电池充电器，单个电池监控和保护。它可以通过替换主微控制器和目标充电器来实现USB-C的实现，从而可以通过高压USB-C PD端口供电，并希望使用MCU来提供附加的控制功能。应用程序包括电力驱动的电器，例如电源和花园工具，智能扬声器，相机，真空吸尘器，无绳厨房用具以及吹风机和电动剃须刀等个人护理设备。
填补空白：探索生成式人工智能以增强异构移动边缘设备的联邦学习
摘要 — 由于边缘设备的数据和资源异构性，在移动边缘网络上进行分布式人工智能 (AI) 模型训练面临重大挑战。前者阻碍了全局模型的收敛速度，而后者降低了设备的资源利用效率。在本文中，我们提出了一种生成式 AI 赋能的联邦学习来应对这些挑战，它利用了填充本地数据缺失部分 (FIMI) 的思想。具体而言，FIMI 可以被视为一种资源感知的数据增强方法，可在确保高效的 FL 训练的同时有效缓解数据异构性。我们首先量化训练数据量和学习性能之间的关系。然后，我们研究 FIMI 优化问题，目标是在所需学习性能约束下最小化设备端总体能耗。利用基于分解的分析和交叉熵搜索方法得出解决方案，其中为每个设备分配合适的 AI 合成数据和资源利用策略。实验结果表明，与现有方法相比，FIMI 可以节省高达 50% 的设备端能量，以达到目标全局测试精度。同时，FIMI 可以显著提高非独立同分布 (non-IID) 数据下的收敛全局精度。
机器人和边缘设备上更快的对象检测
摘要。移动机器人和许多Edge AI设备需要对计算功率进行贸易，以防止功耗，电池尺寸和电荷之间的时间。因此，与通常用于训练和评估深层神经网络的功能强大的基于强大的基于GPU的系统相比，这种设备具有明显较小的计算能力是很常见的。对象检测是机器人和边缘设备的视觉感知的关键方面，但是在基于GPU的系统上运行最快的流行对象检测体系结构或旨在用大型输入图像尺寸最大化地图的旨在，可能无法很好地扩展到边缘设备。在这项工作中，我们评估了代表机器人和边缘设备功能的一系列设备上的Yolo和SSD家族的几个模型架构的延迟和图。我们还评估了运行时框架的效果，并证明了一些意外的largedIfferencesCanbefound.basedonourevaluationsweproposenewvariations yolo-lite体系结构，我们显示的可以在减少潜伏期时提供增加的地图。
受限物联网边缘设备中的 NTRU 后量子加密方案分析
摘要 — 后量子密码学的研究旨在解决现代公钥密码学在未来可能被来自量子计算机的攻击以及使用经典电子技术的攻击所破解的问题。这项任务非常关键，因此美国国家标准与技术研究所 (NIST) 正在进行后量子方案的标准化最终流程，以保护未来的嵌入式应用程序。虽然已经对嵌入式系统进行了一些研究，但研究这些提案在物联网 (IoT) 的现实环境中的影响非常重要，因为在物联网中，有限的计算资源和严格的功耗要求可能与加密方案的使用不相容。在这项工作中，研究了标准化过程中的最终方案之一 NTRU 的性能，并将其实现在为物联网最边缘应用设计的定制无线传感器节点中。该密码系统在 Contiki-NG 操作系统的进程中实现和评估。此外，还进行了额外的实验，以检查现代微控制器内部常用的加密集成硬件外设是否可用于实现 NTRU 的更好性能，不仅在单节点级别，而且在网络级别，其中 NTRU 密钥封装机制在实际通信过程中进行测试。这些实验的结果表明，NTRU 适用于针对无线传感器网络设计的现代微控制器，而流行平台中的旧设备可能无法承担其实施成本。
EdgeWise：随机通信延迟下边缘设备上的节能 CNN 计算
本文提出了一个框架，以实现边缘设备上卷积神经网络 (CNN) 的节能执行。该框架由一对通过无线网络连接的边缘设备组成：性能和能耗受限的设备 D 作为数据的第一个接收者，能耗不受约束的设备 N 作为 D 的加速器。设备 D 动态决定如何分配工作负载，以尽量减少其能耗，同时考虑到网络延迟固有的不确定性和数据传输所涉及的开销。这些挑战通过采用马尔可夫决策过程 (MDP) 的数据驱动建模框架来解决，其中 D 在 O(1) 时间内查阅最优策略来做出逐层分配决策。作为一个特例，还提出了一种线性时间动态规划算法，用于在假设网络延迟在整个应用程序执行过程中保持不变的情况下一次性找到最佳层分配。所提出的框架在由 Raspberry PI 3 作为 D 和 NVIDIA Jetson TX2 作为 N 组成的平台上进行了演示。与完全在 D 和 N 上执行 CNN 的替代方案相比，能耗平均降低了 31% 和 23%。还实施了两种最先进的方法，并与所提出的方法进行了比较。
TinyML：在超低功耗物联网边缘设备上为人工智能应用启用推理深度学习模型
摘要：最近，物联网 (IoT) 引起了广泛关注，因为物联网设备被放置在各个领域。其中许多设备都基于机器学习 (ML) 模型，这使它们变得智能并能够做出决策。物联网设备通常资源有限，这限制了在其上执行复杂的 ML 模型（例如深度学习 (DL)）。此外，将物联网设备连接到云以传输原始数据并执行处理会导致系统响应延迟、暴露私人数据并增加通信成本。因此，为了解决这些问题，出现了一种称为微型机器学习 (TinyML) 的新技术，它为应对物联网设备的挑战铺平了道路。该技术允许在设备上本地处理数据，而无需将其发送到云端。此外，TinyML 允许推断 ML 模型，而设备上的 DL 模型则被视为资源有限的微控制器。本文的目的是概述 TinyML 的革命并对 tinyML 研究进行回顾，其中主要贡献是对 tinyML 研究中使用的 ML 模型类型进行分析；它还介绍了数据集的详细信息以及设备的类型和特征，旨在阐明最先进的技术并展望发展需求。
互联电网边缘设备和逆变器资源的网络安全认证建议
缩略词列表 CEEP 网络能源仿真平台 CESER 网络安全、能源安全和应急响应办公室 CIGRE 国际大型电力系统理事会 CISA 网络安全和基础设施安全局 CRL 证书撤销列表 DER 分布式能源资源 DNP 分布式网络协议 DOE 美国能源部 DoS 拒绝服务 DUT 测试设备 EERE 能源效率和可再生能源办公室 EPRI 电力研究所 ES-C2M2 电力子行业网络安全能力成熟度模型 EV 电动汽车 HTTP 超文本传输协议 HTTPS 安全超文本传输协议 IBR 基于逆变器的资源 ICS 工业控制系统 IEA 国际能源署 IEC 国际电工委员会 IEEE 电气电子工程师协会 IP 互联网协议 IT 信息技术 MAC 消息认证码 MITM 中间人 NARUC 国家公用事业监管委员会协会 NASEO 国家州能源官员协会 NDN 命名数据网络 NERC 北美电力可靠性公司 NIST 国家标准与技术研究所 NREL 国家可再生能源实验室 OT 运营技术 PSIL 电力系统集成实验室 PV 光伏 RMP 风险管理流程 SCADA 监控和数据采集 SEP 智能能源简介 SETO 太阳能技术办公室 sPower 可持续电力集团 SSH 安全外壳 TCP 传输控制协议 TLS 传输层安全
AHEAD：用于主动 BMI 边缘设备中 MLP 神经网络硬件生成的自动整体能量感知设计方法
摘要：基于主动式脑机接口 (BMI) 控制边缘设备的高级认知功能预测是一项改善残疾人生活质量的新兴技术。然而，由于神经元的非平稳性质，维持多单元神经记录的稳定性变得困难，并且会影响主动式 BMI 控制的整体性能。因此，需要定期重新校准以重新训练神经网络解码器以进行主动控制。然而，重新训练可能会导致网络参数（例如网络拓扑）发生变化。就用于实时和低功耗处理的神经解码器的硬件实现而言，修改或重新设计硬件加速器需要时间。因此，处理低功耗硬件设计的工程变更需要大量的人力资源和时间。为了应对这一设计挑战，这项工作提出了 AHEAD：一种用于主动式 BMI 边缘设备中多层感知器 (MLP) 神经网络硬件生成的自动整体能量感知设计方法。通过对主动式 BMI 设计流程进行全面分析，该方法明智地利用了智能位宽识别 (BWID) 和可配置硬件生成，它们自主集成以生成低功耗硬件解码器。所提出的 AHEAD 方法从训练过的 MLP 参数和黄金数据集开始，并在性能、功耗和面积 (PPA) 方面产生高效的硬件设计，同时将准确性损失降至最低。结果表明，与现场可编程门阵列 (FPGA) 上的浮点和半浮点设计相比，所提出的方法性能提高了 4 倍，功耗降低了 3 倍，面积资源减少了 5 倍，并且具有精确的准确性，这使其成为一种有前途的主动式 BMI 边缘设备设计方法。