用于邊緣設(shè)備上機(jī)器學(xué)習(xí)的安全閃存

最初，具有所有“無限”功能的云計(jì)算似乎消除了對邊緣設(shè)備具有任何實(shí)質(zhì)性智能的需求。然而，在過去幾年中，有一種趨勢是在邊緣設(shè)備中實(shí)施人工智能 （AI） 和機(jī)器學(xué)習(xí) （ML），以解決數(shù)據(jù)傳輸延遲、隱私和更大的設(shè)備自主性等問題。這為在邊緣設(shè)備中構(gòu)建嵌入式系統(tǒng)帶來了一定的內(nèi)存要求。本文探討了適用于邊緣設(shè)備的某些 ML 方案，以及實(shí)現(xiàn)這些設(shè)備的非易失性存儲(chǔ)器要求。

為什么在邊緣設(shè)備上進(jìn)行機(jī)器學(xué)習(xí) （ML）

邊緣設(shè)備是生成 ML 數(shù)據(jù)的地方。物聯(lián)網(wǎng)、工業(yè)和消費(fèi)領(lǐng)域的應(yīng)用從自己的傳感器生成大量數(shù)據(jù)，并且需要能夠根據(jù)人機(jī)界面 （HMI） 的命令做出快速?zèng)Q策。傳感器融合技術(shù)使在邊緣設(shè)備上獲取數(shù)據(jù)變得更容易、更快、更準(zhǔn)確。HMI使人機(jī)交互更加用戶友好和自適應(yīng)。當(dāng)然，在更接近其來源的 ML 計(jì)算引擎中處理數(shù)據(jù)是有意義的。邊緣計(jì)算永遠(yuǎn)不會(huì)取代云計(jì)算;但是，不必將數(shù)據(jù)傳輸?shù)皆?，可以更快地?xùn)練機(jī)器，并且可以大大減少與云服務(wù)器的連接帶寬。

廣泛的物聯(lián)網(wǎng)應(yīng)用可以從提供本地AI處理中受益。圖 1 顯示了 SensiML 的圖表，其中列出了邊緣設(shè)備上的 AI 處理示例。

當(dāng)然，在邊緣設(shè)備上實(shí)施ML肯定會(huì)面臨挑戰(zhàn)。例如，邊緣設(shè)備可能依賴電池，因此能源預(yù)算有限。它們也可能具有有限的計(jì)算能力和/或內(nèi)存空間。然而，現(xiàn)代MCU技術(shù)正在邊緣設(shè)備上實(shí)現(xiàn)這一目標(biāo)。如圖2所示，從Barth Development所做的研究中，在過去的幾十年里，我們可以看到，雖然MCU功耗保持相對平穩(wěn)，但晶體管的數(shù)量、時(shí)鐘速度、并行內(nèi)核的數(shù)量都在上升。隨著越來越多的高性能、低功耗MCU問世，邊緣計(jì)算可以幫助構(gòu)建智能且用戶友好的系統(tǒng)。

圖2：過去幾年的MCU研究（來源：Barth Development）

機(jī)器學(xué)習(xí)的不同方案

一般來說，ML可以分為兩大類：監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是指使用“標(biāo)記”的數(shù)據(jù)訓(xùn)練機(jī)器，這意味著每個(gè)數(shù)據(jù)樣本都包含特征和答案。通過向機(jī)器提供這些標(biāo)記數(shù)據(jù)，我們正在訓(xùn)練它找到特征和答案之間的相關(guān)性。訓(xùn)練后，當(dāng)我們?yōu)闄C(jī)器提供一組新功能時(shí)，希望它能得出我們期望的正確答案。例如，可以訓(xùn)練設(shè)備在其視頻源（即相機(jī)）捕獲的圖像中查找文本和數(shù)字。為了以非常簡化的方式描述該過程，通過給定可能包含也可能不包含文本和數(shù)字的圖像以及正確答案（即“標(biāo)簽”）來訓(xùn)練設(shè)備。訓(xùn)練后，該設(shè)備可以在任何給定的新圖像中查找文本和數(shù)字。

另一方面，無監(jiān)督學(xué)習(xí)是指向機(jī)器提供未“標(biāo)記”的數(shù)據(jù)的方法，這意味著每組特征都沒有答案。無監(jiān)督學(xué)習(xí)的目標(biāo)是從所有這些數(shù)據(jù)中找到隱藏的信息，無論是對數(shù)據(jù)集進(jìn)行聚類，還是找到它們之間的關(guān)聯(lián)。無監(jiān)督學(xué)習(xí)的一個(gè)例子可能是在生產(chǎn)線末端執(zhí)行質(zhì)量控制，從所有其他產(chǎn)品中發(fā)現(xiàn)異常產(chǎn)品（即異常檢測）。設(shè)備沒有給出“標(biāo)簽”答案以指示哪些產(chǎn)品異常。通過分析每個(gè)產(chǎn)品中的特征，該算法會(huì)自動(dòng)從大多數(shù)好產(chǎn)品中識(shí)別不良產(chǎn)品，因?yàn)樵O(shè)備經(jīng)過訓(xùn)練以查看它們之間的差異。

在本文中，我們將嘗試更深入地介紹可以部署在邊緣設(shè)備中的監(jiān)督學(xué)習(xí)算法。我們將使用一些簡單的數(shù)學(xué)公式來解釋兩種學(xué)習(xí)算法之間的差異。

如上所述，監(jiān)督學(xué)習(xí)將標(biāo)記的數(shù)據(jù)集饋送到正在訓(xùn)練的設(shè)備中。假設(shè)每個(gè)數(shù)據(jù)集包含許多特征 x1， x2.。.xn.接下來，為每個(gè)特征分配一個(gè)系數(shù) q，并記下函數(shù)。這稱為假設(shè)函數(shù)，hq（十）：

hq（x） = q0+ 問1 x1 + 問2 x2+ 問3 x3 。.. + qn xn

訓(xùn)練機(jī)器意味著一組適當(dāng)?shù)膓（q0， q1， q2， 。..， qn） 的發(fā)現(xiàn)使得假設(shè)輸出 hq（x） 盡可能接近給定的答案（標(biāo)簽）。訓(xùn)練后，當(dāng)一組新的特征 X （x1， x2， 。..， xn） 提出，假設(shè)函數(shù)將給出基于 q 的最優(yōu)集的輸出。

查找 q 的一種方法是使用梯度下降的線性回歸。以下步驟是此方法的簡化說明：

1.選擇一組初始。..n.然后計(jì)算假設(shè)和給定答案 Y 之間的差異。這種差異通常稱為成本。

2.不斷向成本小的方向轉(zhuǎn)變。每次重新計(jì)算成本。重復(fù)此步驟，直到成本不再降低。

3.如果成本不再降低，我們已經(jīng)達(dá)到了一個(gè)最佳集合，為我們提供了所有給定樣品的最低成本。

4.現(xiàn)在，如果給出一組新的X，這組可用于預(yù)測輸出。

梯度下降的名稱來自步驟 2 中更改 q 的方法。通過在梯度方向上更新q，該算法保證它將收斂到最佳值。圖 3 顯示了梯度下降的圖形表示，以得到最小成本函數(shù) J（q0， q1）。

圖 3：梯度下降中的成本函數(shù) J 與參數(shù)集 q 的關(guān)系

如果在步驟 2 中對所有給定的數(shù)據(jù)樣本進(jìn)行成本計(jì)算，則該方法稱為批量梯度下降。每次更新 q 時(shí)，該算法都會(huì)計(jì)算所有訓(xùn)練數(shù)據(jù)樣本的成本。這種計(jì)算方式為如何更改 q 提供了更好的方向。但是，如果給定的訓(xùn)練數(shù)據(jù)樣本集很大，則計(jì)算所有樣本的成本需要大量的計(jì)算能力。此外，系統(tǒng)必須在訓(xùn)練期間存儲(chǔ)所有數(shù)據(jù)樣本。

梯度下降的另一種方法是對數(shù)據(jù)樣本的子集執(zhí)行步驟 2。這種方法稱為隨機(jī)梯度下降。該算法在每次迭代時(shí)根據(jù)較小的數(shù)據(jù)樣本集更改 q。此方法可能需要更多迭代才能達(dá)到最佳 q，但它節(jié)省了大量的計(jì)算能力和潛在的時(shí)間，因?yàn)樗恍枰?jì)算整個(gè)數(shù)據(jù)樣本集的成本。

使用隨機(jī)梯度下降法，用于計(jì)算成本的最小樣本數(shù)為一個(gè)。如果 ML 算法在有新的數(shù)據(jù)樣本可用時(shí)細(xì)化 q，我們可以將此 ML 算法視為基于順序數(shù)據(jù)樣本的持續(xù)行為更新。當(dāng)每個(gè)可用的數(shù)據(jù)樣本進(jìn)來時(shí)，算法會(huì)計(jì)算新的 q。因此，系統(tǒng)會(huì)在每個(gè)步驟動(dòng)態(tài)更新假設(shè)函數(shù)。這種方法也稱為在線梯度下降或在線機(jī)器學(xué)習(xí)。

批量梯度下降與在線機(jī)器學(xué)習(xí)

在批量梯度下降和在線機(jī)器學(xué)習(xí)之間，后者具有適用于邊緣設(shè)備的某些特征。

1.無限數(shù)據(jù)樣本

如前所述，邊緣設(shè)備通常配備傳感器或HMI，可以連續(xù)提供無窮無盡的數(shù)據(jù)樣本或人工反饋。因此，在線 ML 算法可以不斷從數(shù)據(jù)變化中學(xué)習(xí)并改進(jìn)假設(shè)。

2.算力

邊緣設(shè)備通常具有有限的計(jì)算能力。對大量數(shù)據(jù)樣本運(yùn)行批量梯度下降算法可能不切實(shí)際。但是，通過一次計(jì)算一個(gè)數(shù)據(jù)樣本，就像在在線機(jī)器學(xué)習(xí)中一樣，MCU 不必具有巨大的計(jì)算能力。

3.非易失性（NV）存儲(chǔ)器

批量梯度下降算法要求系統(tǒng)存儲(chǔ)整個(gè)訓(xùn)練集，這些訓(xùn)練集必須駐留在非易失性存儲(chǔ)中，而在線 ML 算法一次計(jì)算一個(gè)傳入的數(shù)據(jù)樣本。在線 ML 算法可能會(huì)丟棄數(shù)據(jù)或僅存儲(chǔ)一小部分樣本，以節(jié)省非易失性存儲(chǔ)。這特別適用于非易失性存儲(chǔ)器可能受限的邊緣設(shè)備。

4.適應(yīng)性

想象一下，在線 ML 算法在邊緣設(shè)備上執(zhí)行語音識(shí)別。通過新的數(shù)據(jù)樣本不斷訓(xùn)練算法，系統(tǒng)可以動(dòng)態(tài)適應(yīng)特定的用戶和/或口音。

邊緣設(shè)備上 ML 的非易失性內(nèi)存要求

除了MCU，非易失性存儲(chǔ)器是設(shè)計(jì)進(jìn)行ML處理的邊緣設(shè)備的另一個(gè)重要因素。嵌入式閃存是一個(gè)顯而易見的選擇，如果MCU為應(yīng)用軟件提供了足夠的電子閃存。然而，隨著MCU技術(shù)節(jié)點(diǎn)的不斷縮小，電子閃存變得越來越難以集成。簡而言之，應(yīng)用軟件的增長超過了可用的電子閃存。在這種情況下，外部獨(dú)立NV閃存變得必要?？紤]到不同類型NV閃存設(shè)備提供的可靠性、讀取吞吐量和就地執(zhí)行功能，NOR閃存通常是邊緣系統(tǒng)設(shè)計(jì)人員的首選。

要為 ML 構(gòu)建安全可靠的邊緣設(shè)備，需要考慮許多設(shè)計(jì)因素。以下是其中的一些，可幫助設(shè)計(jì)人員決定使用哪種NV存儲(chǔ)器（參見圖4）。

1.安全啟動(dòng)

所有嵌入式系統(tǒng)都必須安全啟動(dòng)。對于邊緣設(shè)備，安全啟動(dòng)尤其重要，因?yàn)榭拷祟愒L問，因此存在潛在安全攻擊的風(fēng)險(xiǎn)。通常，對于使用存儲(chǔ)下載 （SnD） 代碼模型的設(shè)備，引導(dǎo)代碼存儲(chǔ)在非易失性存儲(chǔ)器中并下載到 RAM 中執(zhí)行。如果非易失性存儲(chǔ)器不安全，黑客很容易替換或修改啟動(dòng)代碼進(jìn)行惡意操作。因此，將引導(dǎo)代碼存儲(chǔ)在安全的非易失性存儲(chǔ)器中并在引導(dǎo)期間建立信任根是邊緣設(shè)備非常重要的考慮因素。

2.抗攻擊性

鑒于邊緣設(shè)備的連接性，邊緣設(shè)備的攻擊面無疑是巨大的。即使使用安全啟動(dòng)，黑客也可能試圖通過各種攻擊方法從設(shè)備中竊取智能機(jī)密或隱私信息，例如被動(dòng)監(jiān)控、主動(dòng)重放攻擊、側(cè)信道攻擊等。使用能夠抵抗這些攻擊的非易失性存儲(chǔ)器可以大大降低系統(tǒng)暴露的風(fēng)險(xiǎn)。

3.重要AI參數(shù)的安全存儲(chǔ)

ML 算法需要參數(shù)的內(nèi)存存儲(chǔ)，例如上面提到的參數(shù)集。這些參數(shù)是使用大量數(shù)據(jù)樣本集運(yùn)行訓(xùn)練的結(jié)果。黑客對AI算法本身可能不感興趣，但最終結(jié)果通常是。如果黑客可以從存儲(chǔ)中竊取最終結(jié)果，他們可以不經(jīng)過任何培訓(xùn)即可模仿AI系統(tǒng)。這些參數(shù)（例如參數(shù)集）直接影響 ML 方案和系統(tǒng)的智能。因此，它們應(yīng)存儲(chǔ)在安全的存儲(chǔ)中，黑客不會(huì)無意或故意更改。提供這種安全存儲(chǔ)能力的非易失性存儲(chǔ)器將非常適合具有敏感信息要存儲(chǔ)的邊緣設(shè)備。

4.吞吐量快

盡管邊緣設(shè)備可能不需要強(qiáng)大的MCU來運(yùn)行廣泛的ML算法，但它們可能仍需要快速訪問非易失性存儲(chǔ)器，以實(shí)現(xiàn)快速安全啟動(dòng)和良好的計(jì)算性能。

圖 4：使用機(jī)器學(xué)習(xí)的邊緣設(shè)備需要支持安全啟動(dòng)、抵御惡意攻擊、安全存儲(chǔ)和快速吞吐量的非易失性存儲(chǔ)器，如此處所示的 CypressSemper 安全 NOR 閃存。

在邊緣設(shè)備中實(shí)現(xiàn)智能是一種行業(yè)趨勢，以便用戶數(shù)據(jù)的處理更接近其來源。許多 AI 應(yīng)用程序可以部署在構(gòu)建智能和用戶友好系統(tǒng)的邊緣設(shè)備上。機(jī)器學(xué)習(xí)算法之一，在線機(jī)器學(xué)習(xí)，不需要廣泛的計(jì)算能力，對變化具有很強(qiáng)的適應(yīng)性，適用于邊緣設(shè)備。為了在邊緣設(shè)備上構(gòu)建智能且安全的系統(tǒng)，用戶可以選擇提供信任根功能、安全存儲(chǔ)、快速吞吐量和抗惡意攻擊的非易失性存儲(chǔ)器。

審核編輯：郭婷