ترجمه فارسی مقاله SPICED: شناسایی اشکال نحوی و الگوی تروجان در مدارهای A/MS با استفاده از تشخیص پیشرفته LLM

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی SPICED: Syntactical Bug and Trojan Pattern Identification in A/MS Circuits using LLM-Enhanced Detection
عنوان مقاله به فارسی SPICED: شناسایی اشکال نحوی و الگوی تروجان در مدارهای A/MS با استفاده از تشخیص پیشرفته LLM
نویسندگان Jayeeta Chaudhuri, Dhruv Thapar, Arjun Chaudhuri, Farshad Firouzi, Krishnendu Chakrabarty
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Cryptography and Security,Artificial Intelligence,Machine Learning,رمزنگاری و امنیت , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 25 August, 2024; originally announced August 2024. , Comments: Accepted at PAINE'24
توضیحات به فارسی ارسال شده 25 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده در Paine'24
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Analog and mixed-signal (A/MS) integrated circuits (ICs) are crucial in modern electronics, playing key roles in signal processing, amplification, sensing, and power management. Many IC companies outsource manufacturing to third-party foundries, creating security risks such as stealthy analog Trojans. Traditional detection methods, including embedding circuit watermarks or conducting hardware-based monitoring, often impose significant area and power overheads, and may not effectively identify all types of Trojans. To address these shortcomings, we propose SPICED, a Large Language Model (LLM)-based framework that operates within the software domain, eliminating the need for hardware modifications for Trojan detection and localization. This is the first work using LLM-aided techniques for detecting and localizing syntactical bugs and analog Trojans in circuit netlists, requiring no explicit training and incurring zero area overhead. Our framework employs chain-of-thought reasoning and few-shot examples to teach anomaly detection rules to LLMs. With the proposed method, we achieve an average Trojan coverage of 93.32% and an average true positive rate of 93.4% in identifying Trojan-impacted nodes for the evaluated analog benchmark circuits. These experimental results validate the effectiveness of LLMs in detecting and locating both syntactical bugs and Trojans within analog netlists.

چکیده به فارسی (ترجمه ماشینی)

مدارهای مجتمع آنالوگ و سیگنال مختلط (A/MS) (IC) در الکترونیک مدرن بسیار مهم هستند و نقش های کلیدی را در پردازش سیگنال ، تقویت ، سنجش و مدیریت انرژی بازی می کنند.بسیاری از شرکت های IC از تولیدات شخص ثالث برون سپاری می کنند و خطرات امنیتی مانند تروجان های آنالوگ مخفی را ایجاد می کنند.روشهای تشخیص سنتی ، از جمله تعبیه واترهای مدار مدار یا انجام نظارت بر اساس سخت افزار ، اغلب مساحت قابل توجهی و سربار قدرت را تحمیل می کند ، و ممکن است به طور مؤثر انواع تروجان ها را شناسایی نکند.برای پرداختن به این کاستی ها ، ما یک چارچوب مبتنی بر یک مدل بزرگ زبان (LLM) را که در دامنه نرم افزار کار می کند ، پیشنهاد می کنیم و نیاز به اصلاحات سخت افزاری برای تشخیص تروجان و بومی سازی را از بین می برد.این اولین کار با استفاده از تکنیک های کمک LLM برای تشخیص و بومی سازی اشکالات نحوی و تروجان های آنالوگ در لیست های مدار است و نیازی به آموزش صریح و تحمل سطح صفر ندارد.چارچوب ما از استدلال زنجیره ای و نمونه های چند عکس برای آموزش قوانین تشخیص ناهنجاری به LLMS استفاده می کند.با استفاده از روش پیشنهادی ، ما به طور متوسط ​​پوشش تروجان 93.32 ٪ و میانگین مثبت مثبت واقعی 93.4 ٪ در شناسایی گره های تحت تأثیر Trojan برای مدارهای معیار آنالوگ ارزیابی شده را بدست می آوریم.این نتایج تجربی ، اثربخشی LLM ها را در تشخیص و یافتن هر دو اشکال نحوی و تروجان ها در لیست های آنالوگ تأیید می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.