Secure Deep Learning-based Distributed Intelligence on Pocket-sized Drones

要約

手のひらサイズのナノドローンは魅力的なクラスのエッジノードですが、計算リソースが限られているため、大規模な深層学習モデルを機内で実行することができません。
エッジフォグ計算パラダイムを採用すると、計算の一部をフォグにオフロードできます。
ただし、フォグ ノードまたは通信リンクが信頼できない場合、セキュリティ上の懸念が生じます。
この懸念に取り組むために、私たちは、ナノドローンに搭載されたランダムサブネットワークを冗長的に実行することによってフォグ計算を検証する、新しい分散エッジフォグ実行スキームを提案します。
完全にオンボードで実行される最先端の視覚姿勢推定ネットワークと比較して、分散方法で実行される大規模なネットワークは $R^2$ スコアを +0.19 改善します。
攻撃が発生した場合、当社のアプローチは 95% の確率で 2 秒以内に攻撃を検出します。

要約(オリジナル)

Palm-sized nano-drones are an appealing class of edge nodes, but their limited computational resources prevent running large deep-learning models onboard. Adopting an edge-fog computational paradigm, we can offload part of the computation to the fog; however, this poses security concerns if the fog node, or the communication link, can not be trusted. To tackle this concern, we propose a novel distributed edge-fog execution scheme that validates fog computation by redundantly executing a random subnetwork aboard our nano-drone. Compared to a State-of-the-Art visual pose estimation network that entirely runs onboard, a larger network executed in a distributed way improves the $R^2$ score by +0.19; in case of attack, our approach detects it within 2s with 95% probability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google