【技术实现步骤摘要】
本专利技术属于网络安全，具体涉及一种基于权重弹性映射的量化神经网络容错增强方法。
技术介绍
1、量化神经网络(qdnn)被部署在嵌入式设备中，使得深度学习可以广泛应用于各个领域，如基于计算机视觉的应用程序中。这些程序主要完成对输入样本的分类任务，即对于一个输入的图片，经过量化神经网络模型的推断，能够在很短的时间内输出其应属的类别。量化神经网络的错误会造成不可估计的后果，对人类的生命、财产安全造成巨大威胁。
2、由于资源受限的嵌入式设备缺乏足够的资源来保证数据完整性检查机制的实施，因此并不能提供足够的安全防护，这对于系统的安全性是一个巨大的挑战。量化神经网络固有的容错能力并不能抵抗硬件故障，在移动和嵌入式系统更不利的环境条件下，由于制造变异性、老化、温度梯度增加和辐射引起的软错误，使得这些设备的错误率可能更高。量化神经网络还容易受到故障注入技术的攻击，其中最为典型的为位翻转攻击(bfa)，渐进式搜索位翻转攻击(pbfa)仅需少数的攻击次数就能完全破坏量化神经网络的性能。
3、容错增强技术分为软件层面和硬件层面，硬件...
【技术保护点】
1.一种基于权重弹性映射的量化神经网络容错增强方法，具体步骤如下：
2.根据权利要求1所述的一种基于权重弹性映射的量化神经网络容错增强方法，其特征在于，所述步骤S1具体如下：
3.根据权利要求1所述的一种基于权重弹性映射的量化神经网络容错增强方法，其特征在于，所述步骤S2具体如下：
4.根据权利要求1所述的一种基于权重弹性映射的量化神经网络容错增强方法，其特征在于，所述步骤S3具体如下：
5.根据权利要求1所述的一种基于权重弹性映射的量化神经网络容错增强方法，其特征在于，所述步骤S4具体如下：
【技术特征摘要】
1.一种基于权重弹性映射的量化神经网络容错增强方法，具体步骤如下：
2.根据权利要求1所述的一种基于权重弹性映射的量化神经网络容错增强方法，其特征在于，所述步骤s1具体如下：
3.根据权利要求1所述的一种基于权重弹性映射的量化神经网络容错增强方法，其...
【专利技术属性】
技术研发人员：詹瑾瑜，江维，黄鹏橙，陈乐天，潘廖磊，章泽航，全振，叶乙健，林美妤，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。