基于 Z-Score 的完全自主 TinyML 异常检测：在资源受限 MCU 上使用功率侧信道数据
机器学习
2026-04-13 v1
摘要
本文提出了一种在低功耗微控制器上部署的完全自主 TinyML Z-Score 基于异常检测系统，用于使用功率侧信道数据实时监控器具行为。与现有物联网（IoT）异常检测方法不同，该系统无需离线训练或云端分析，即可在资源受限的微控制器上完成模型训练和推断。系统持续采样电流消耗，计算平方根均值（RMS），并在初始训练阶段推导统计参数。异常通过轻量级 Z-Score 阈值检测，实现可解释且计算效率高的推断，适合嵌入式部署。该架构在 STM32 平台上实现，并使用来自家庭小冰箱在正常运行和受控异常条件下收集的 14 天数据进行评估。结果表明，检测性能完美，准确率和召回率均为 1.00，推断延迟为微秒级，总内存占用约为 3.3 KB SRAM 和 63 KB Flash。这些结果确认，在低成本微控制器上可以实现稳健且完全自主的 TinyML 异常检测。未来工作包括扩展框架以集成额外的轻量级模型和多设备学习场景。
引用
@article{arxiv.2604.08581,
title = {Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data},
author = {Abdulrahman Albaiz and Fathi Amsaad},
journal= {arXiv preprint arXiv:2604.08581},
year = {2026}
}
备注
SaTC 2026 Conference