基于AI的射频接收器架构中的隐蔽信道检测
机器人学
2026-04-17 v1
摘要
射频芯片中的隐蔽信道（CC）构成严重的安全威胁，因为它们允许将敏感信息从芯片 exfiltrate 给外部攻击者。本工作提出了一种部署在射频接收器上的AI防御机制，该模型直接监控原始I/Q样本，在实时检测包含在看似正常信号中的CC的存在。我们首先压缩了最新状态的卷积神经网络（CNN），实现了参数数量的80%减小，这是高效边缘部署的必要要求。在评估开源硬件Trojan（HT）基于CC数据集时，压缩后的CNN在CC检测和识别 underlying HT方面分别获得了90.28%和86.50%的平均准确率，结果在信噪比（SNR）超过1 dB时平均而得。对于实际通信场景中的SNR > 20 dB情况，该模型在两个任务中均实现了超过97%的准确率。这些结果对应于小于2%的性能下降。压缩后的CNN进一步与替代分类器进行基准测试，显示出卓越的准确率-模型大小权衡。最后，我们设计了轻量级CNN硬件加速器并在FPGA上实现，实现了极低的资源利用和107 GOPs/W的效率。作为首个专为CC检测提出的AI硬件加速器，我们将其与诸如调制识别等射频信号分类任务的先进AI加速器进行比较，显示出优异的性能。
引用
@article{arxiv.2604.14986,
title = {Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios},
author = {Yuting Zeng and Zhiwen Zheng and Jingya Wang and You Zhou and JiaLing Xiao and Yongbin Yu and Manping Fan and Bo Gong and Liyong Ren},
journal= {arXiv preprint arXiv:2604.14986},
year = {2026}
}
备注
24 pages, 14 figures. arXiv admin note: text overlap with arXiv:2509.15582