ARDUINO NANO 33 BLE MIKROKONTROLLERIDA TINYML YORDAMIDA IIoT TARMOQ ANOMALIYALARINI REAL VAQTDA ANIQLASH
Keywords:
Kalit so'zlar: TinyML, chegaraviy sun'iy intellekt, anomaliya aniqlash, IIoT xavfsizligi, Arduino Nano 33 BLE, Autoenkoder, tarmoq bosqinini aniqlashAbstract
Annotatsiya: Sanoat Internet of Things (IIoT) qurilmalarining keng tarqalishi tarmoq xavfsizligi sohasida muhim muammolarni keltirib chiqarmoqda. Ayniqsa, resurs cheklangan mikrokontrollerlar (MCU) asosida ishlaydiganqurilmalarda anomaliyalarni aniqlash zarurati tobora ortib bormoqda. Bulut asosidagi yondashuvlar yuqori kechikish va maxfiylik muammolarini keltirib chiqaradi. Ushbu maqolada Arduino Nano 33 BLE (ARM Cortex-M4, 256 KB Flash, 32 KB SRAM) mikrokontrollerida to'liq lokal ishlaydi gan TinyML asosidagi anomaliya aniqlash tizimi taqdim etiladi. UNSW-NB15 benchmark dataseti ustida o'qitilgan Autoenkoder neyron tarmog'i TensorFlow Lite Micro yordamida INT8 aniqlikda kvantizatsiya qilingan va real vaqt rejimida sinovdan o'tkazilgan. Eksperiment natijalari 94,7% aniqliq, F1-ko'rsatkichi 0,93 va 1,2 ms inference kechikishini ko'rsatmoqda, RAM sarfi esa atigi 18 KB ni tashkil etadi. Taklif etilayotgan yondashuv bulut asosidagi va LSTM asosidagi echimlarga nisbatan 96% kamroq kechikish bilan raqobatbardosh aniqlikni ta'minlaydi.
References
FOYDALANILGAN ADABIYOTLAR
Banbury C. R. va boshq. (2021). TinyML tizimlarini taqqoslash: muammolar va yo'nalishlar. arXiv:2003.04821.
Gartner. (2024). IoT qurilmalari prognozi. Gartner tadqiqot hisoboti.
Khraisat A. va boshq. (2019). Bosqinni aniqlash tizimlari bo'yicha sharh. Cybersecurity, 2(1), 20. https://doi.org/10.1186/s42400-019-0038-7
Mirsky Y. va boshq. (2018). Kitsune: onlayn tarmoq bosqinini aniqlash uchun Autoenkoderlar ansambli. NDSS 2018.
Moustafa N., Slay J. (2015). UNSW-NB15: Tarmoq bosqinini aniqlash uchun keng qamrovli dataset. MilCIS 2015. https://doi.org/10.1109/MilCIS.2015.7348942
Sudharsan B. va boshq. (2021). Edge2Train: Resurs cheklangan IoT qurilmalarida ML modellarini o'qitish freymvorki. ACM MobiCom 2021.
TensorFlow mualliflari. (2023). Mikrokontrollerlar uchun TensorFlow Lite Micro. https://www.tensorflow.org/lite/microcontrollers
Zhou C., Paffenroth R. C. (2017). Mustahkam chuqur Autoenkoderlar bilan anomaliya aniqlash. KDD 2017. https://doi.org/10.1145/3097983.3098052
Cisco Systems. (2023). Cisco yillik internet hisoboti 2022–2027. Cisco texnik hujjati.
Warden P., Situnayake D. (2019). TinyML: Arduino va ultra-past quvvatli MCU larda TensorFlow Lite bilan mashina o'qitish. O'Reilly Media.
Diro A., Chilamkurti N. (2018). Chuqur o'qitish yordamida IoT uchun tarqatilgan hujumni aniqlash sxemasi. Future Generation Computer Systems, 82, 761–768.
Antonini M. va boshq. (2019). Chegaraviy intellekt uchun resurs cheklangan neyron tarmoq arxitekturasini qidirish. IEEE IoT Journal.
Roth K., Venzke M. (2022). O'rnatilgan tizimlar uchun engil anomaliya aniqlash. IEEE Access, 10, 34521–34535.
Lin J. va boshq. (2020). MCUNet: IoT qurilmalarida kichik chuqur o'qitish. NeurIPS 2020.
O'zbekiston Respublikasi Axborot texnologiyalari va kommunikatsiyalarini rivojlantirish vazirligi. (2023). O'zbekistonda raqamli iqtisodiyot strategiyasi 2030.
