邊緣AI計算近年來一直是一個熱門話題。到2020年，該市場的價值已經(jīng)達(dá)到90億美元，預(yù)計到2030年將超過600億美元（聯(lián)合市場研究）。最初由計算機視覺系統(tǒng)驅(qū)動（特別是用于自動駕駛汽車 - 沒有雙關(guān)語），其他邊緣應(yīng)用的擴散，如先進(jìn)的降噪和空間音頻，進(jìn)一步加速了邊緣AI計算市場的增長。

無論計算是在云中還是在邊緣進(jìn)行，數(shù)據(jù)保護(hù)對于確保AI系統(tǒng)操作的安全性仍然至關(guān)重要。例如，完整性檢查和安全啟動/更新無疑是關(guān)鍵任務(wù)。此外，對于直接影響人們生活的應(yīng)用（如智能汽車、醫(yī)療保健、智能鎖和工業(yè)物聯(lián)網(wǎng)），成功的攻擊不僅會影響該應(yīng)用數(shù)據(jù)集的安全性，還可能危及生命。想象一下智能攝像頭監(jiān)控系統(tǒng)的情況，如果黑客設(shè)法改變AI模型或輸入流圖像，就無法正確推斷和檢測入侵和危險。

與開箱即用的標(biāo)準(zhǔn)CPU不同，神經(jīng)網(wǎng)絡(luò)需要在投入使用之前學(xué)習(xí)如何進(jìn)行正確的推斷。因此，AI系統(tǒng)創(chuàng)建者在規(guī)劃系統(tǒng)安全性時必須包括訓(xùn)練階段。這意味著除了硬件本身（包括神經(jīng)網(wǎng)絡(luò)加速器）之外，還需要考慮其他相關(guān)的攻擊面。這些包括：

篡改/竊取訓(xùn)練數(shù)據(jù)

篡改/竊取經(jīng)過訓(xùn)練的AI模型

篡改/竊取輸入數(shù)據(jù)

推理結(jié)果被盜

篡改用于重新訓(xùn)練的結(jié)果

使用隱私（防盜和防篡改）和完整性（篡改檢測）的加密功能仔細(xì)實施安全協(xié)議可以減輕此類攻擊。邊緣AI系統(tǒng)的訓(xùn)練到實施階段的圖表如下圖所示，以及上述來自篡改和盜竊的威脅：

圖1：對AIoT系統(tǒng)的操作威脅

由于整個訓(xùn)練過程需要花費大量的時間和精力來收集訓(xùn)練數(shù)據(jù)（以及訓(xùn)練時間本身），因此盜竊或篡改訓(xùn)練的模型意味著公司資源/專有知識的重大損失。因此，考慮到安全性對Edge AI SoC的重要性，以及堅定的黑客可以使用的廣泛攻擊面，今天的設(shè)計人員必須從設(shè)計周期開始就將安全性作為首要考慮因素也就不足為奇了。正如人工智能系統(tǒng)在不斷發(fā)展一樣，隨著人工智能系統(tǒng)復(fù)雜性的不斷增長，這些系統(tǒng)的安全性也需要逐步提高，以便能夠繼續(xù)抵御更復(fù)雜的攻擊。

在討論如何保護(hù)邊緣AI SoC之前，我們必須首先了解攻擊是如何發(fā)生的。有許多文章討論了基于軟件的攻擊和對策。與此同時，直接攻擊硬件也變得流行起來。大獎是存儲在SoC中的密鑰，因為許多設(shè)計仍然將密鑰存儲在不安全的電子保險絲一次性可編程（OTP）存儲器中。電子保險絲一次性密碼器中的數(shù)據(jù)可以用透射電鏡或掃描電鏡提取。攻擊者可以對設(shè)計采用側(cè)信道攻擊（SCA），而沒有適當(dāng)?shù)姆来鄹脑O(shè)計來獎勵密鑰?；蛘撸赡軙褂么鄹牡膯哟a中斷啟動過程并接管系統(tǒng)。

在此處詳細(xì)了解防篡改設(shè)計的重要性。

提高系統(tǒng)安全性的常見第一步是用防熔斷器OTP替換基于缺陷的OTP存儲器。下一個中間步驟是安裝信任根，其中通常包括受保護(hù)的存儲、熵源（利用 PUF 和/或 TRNG）和唯一標(biāo)識符（充當(dāng)安全啟動流的基礎(chǔ)）。最后一步是集成功能齊全的加密協(xié)處理器或在其自己的受保護(hù)安全區(qū)或受信任的執(zhí)行環(huán)境中運行的安全元件。像這樣的安全元件能夠在其自己的可信保護(hù)區(qū)域內(nèi)執(zhí)行所有安全/加密功能。

對于設(shè)計人員來說，將其他安全模塊集成到單個系統(tǒng)中是一項始終存在的挑戰(zhàn)。設(shè)計架構(gòu)師傾向于選擇更簡單，更完整的解決方案來集成，無論是更新現(xiàn)有產(chǎn)品還是開發(fā)全新的產(chǎn)品線。

由于此類安全模塊/IP的大小和功能集將根據(jù)所選的安全程度而有所不同，因此集成多個IP對于第一代設(shè)計基本上是不可避免的。這通常會導(dǎo)致從自上而下的角度考慮安全性，從加密算法開始，到密鑰存儲作為拼圖中的最后一部分結(jié)束。但是，這種方法提出了兩個主要問題：

創(chuàng)建和維護(hù)涵蓋多個 IP 的安全邊界;

當(dāng) IP 來自不同供應(yīng)商時，額外的集成工作。

在為任何系統(tǒng)（而不僅僅是 Edge AI SoC）添加安全性時，易于集成的特性仍然很重要。但是，由于邊緣設(shè)備部署在現(xiàn)場（并且在許多情況下依賴于電池），因此功耗是邊緣AI SoC的獨特而重要的考慮因素。不幸的是，這與推動需要在邊緣運行的更復(fù)雜的函數(shù)（與計算相關(guān)）直接相反。因此，對于那些尋求更高性能和更低功耗的人來說，利用更先進(jìn)的工藝技術(shù)已成為一個有吸引力的選擇。

目前的市場趨勢表明，越來越多的Edge AI SoC設(shè)計采用了12/16nm工藝節(jié)點，在計算能力、電流消耗和成本之間找到了最佳平衡點。一旦完全集成，PUFsecurity的PUFcc就可以針對上述威脅提供必要的保護(hù)，阻止盜竊并檢測/遏制數(shù)據(jù)篡改的企圖：

圖 2：使用 PUFcc 阻止/包含/檢測威脅

PUFsecurity的PUFcc安全加密協(xié)處理器IP解決了之前提出的兩個主要問題。PUFcc基于硬件信任根（HRoT），其中包括安全存儲和熵源，然后添加NIST-CAVP和OSCCA認(rèn)證的加密引擎，所有這些都包裝在防篡改外殼中。PUFcc的添加能夠卸載那些本來會給主內(nèi)核帶來負(fù)擔(dān)的安全操作，從而提高整體系統(tǒng)性能并降低功耗。PUFcc的架構(gòu)如下所示，突出顯示了旨在包含和檢測上圖中詳述的那些威脅的特定塊：

圖 3：包含哈希和密碼引擎的 PUFcc 體系結(jié)構(gòu)

PUFcc的哈希引擎生成一個摘要，用于完整性檢查以檢測篡改，或者可以用作創(chuàng)建消息身份驗證代碼（MAC或HMAC）以執(zhí)行相同功能的基礎(chǔ)。為了防止篡改和盜竊，支持NIST高級加密標(biāo)準(zhǔn)（AES）的密碼引擎對重要的AI數(shù)據(jù)和模型進(jìn)行加密，使黑客在沒有正確密鑰的情況下無法使用它們和難以理解。

PUFcc 不僅通過將 CPU 的加密計算卸載到硬件加速器，幫助 Edge AI 實現(xiàn)低功耗要求的安全操作，還配備了行業(yè)標(biāo)準(zhǔn)總線接口 （APB/AHB/AXI），以便輕松集成到現(xiàn)有的 SoC 設(shè)計中。這允許最短的安全I(xiàn)P設(shè)計時間，以便設(shè)計人員可以盡快開始系統(tǒng)驗證。PUFcc已經(jīng)得到了多個客戶在芯片上的驗證，它增加了安全性，同時將功耗保持在最低水平，這兩個目標(biāo)不再需要相互排斥。

通過添加硬件安全加密協(xié)處理器，可以釋放 Edge AI 的強大功能，并更好地抵御惡意攻擊。通過將系統(tǒng)安全的基礎(chǔ)基于硬件，與SoC處于同一級別，保護(hù)從設(shè)備層開始，通過操作系統(tǒng)，最后在軟件層覆蓋系統(tǒng)應(yīng)用程序。這就是數(shù)百億個Edge AI、物聯(lián)網(wǎng)和其他連接設(shè)備如何從一開始就安全、安全地、受到良好保護(hù)的方式。

審核編輯：郭婷