Empowering Malware Detection Efficiency within Processing-in-Memory Architecture

嵌入式系统在各个行业的广泛应用促进了设备之间的无缝连接并增强了计算能力。尽管嵌入式系统应用广泛，但也面临着重大的安全威胁，其中最关键的漏洞之一是恶意软件，通常称为恶意软件。近年来，利用机器学习进行恶意软件检测的技术越来越受欢迎。深度神经网络（DNN）和卷积神经网络（CNN）在图像处理任务中被证明特别有效。然而，神经网络架构的一个主要缺点是它们需要大量的计算资源。持续训练恶意软件检测模型并使用更新的恶意软件和良性样本需要巨大的计算资源，这对实际应用构成了挑战。针对这些问题，我们提出了一种基于内存处理（PIM）的架构，以减轻内存访问延迟，从而减少模型更新期间消耗的资源。为了进一步增强吞吐量并最小化能耗，我们结合了针对CNN模型量化的精度缩放技术。我们提出的PIM架构与现有的基于查找表（LUT）的PIM架构相比，吞吐量提高了1.09倍。此外，精度缩放与PIM相结合，与全精度操作相比，提高了1.5倍的能效，而不会牺牲性能。这种创新的方法为资源密集型的恶意软件检测模型更新提供了有希望的解决方案，为更高效和可持续的网络安全实践铺平了道路。

本篇论文旨在解决嵌入式系统中恶意软件检测的计算资源需求高的问题，提出了一种基于PIM架构和CNN模型的解决方案。

论文提出了一种基于PIM架构和CNN模型的解决方案，通过减少内存访问延迟和使用精度缩放技术来降低恶意软件检测模型更新的资源消耗。

实验结果显示，该PIM架构比现有的LUT-based PIM架构具有更高的吞吐量，能够提高1.09倍的吞吐量；同时，与完整精度操作相比，使用精度缩放技术和PIM可以提高1.5倍的能量效率而不降低性能。

最近的相关研究包括使用机器学习技术进行恶意软件检测的其他方法，如使用DNN和CNN进行图像处理。