ACM Transactions on Design Automation of Electronic Systems· 2026Q2
CLCAD: Sürekli Akışlı Mikroakışkan Biyoçipleri için Katmanlar Arası İşbirlikçi Anomali Tespiti
CLCAD: Cross-Layer Collaborative Anomaly Detection for Continuous-Flow Microfluidic Biochips
- 0atıf
- Q2SCImago
- 2026yıl
Kısa özet
CLCAD, akış ve kontrol katmanlarındaki valf durumlarını analiz ederek sürekli akışlı mikroakışkan biyoçipleri hedef alan kötü niyetli saldırıları etkili bir şekilde tespit eden yeni bir katmanlar arası işbirlikçi anomali tespit yöntemidir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- CLCAD, akış ve kontrol katmanlarındaki valf durumlarını analiz ederek mikroakışkan biyoçiplerdeki anormallikleri tespit eder.
- Akış katmanı saldırı tespiti için akış çizelgelemesini ve parçacık sürü optimizasyonunu kullanarak kontrol noktası optimizasyonu yapar.
- Kontrol katmanı saldırı tespiti için valf adresleme/senkronizasyon tespiti ve sosyal öğrenme parçacık sürü optimizasyonu kullanır.
- Deneysel sonuçlar, anomali tespit olasılığında, yatırım getirisinde ve düşük tespit maliyetinde iyileşmeler göstermektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Continuous-flow microfluidic biochips are widely used in biochemical applications because of their precise control, high integration, and automation. During bioassay execution, the control layer applies pneumatic signals to valves according to the valve activation sequence, ensuring reliable execution in the flow layer. However, in an insecure supply chain, attackers can induce anomalous valve states through Trojan insertion or other malicious means, causing anomalous execution. For example, attackers can tamper with the valve activation sequence of the flow layer or the design scheme of the control layer, thereby causing incorrect valve activation or disrupting control signal delivery to the target valves, respectively. To detect anomalies during execution, we propose CLCAD, a cross-layer collaborative anomaly detection method that collaboratively identifies anomalies in valve states caused by potential attacks in both the flow and control layers. To address tampering with the valve activation sequence, we propose a weight calculation strategy based on fluid scheduling and a checkpoint selection strategy based on discrete particle swarm optimization, enabling checkpoint configuration optimization and detection capability improvement under limited detection resources. To address tampering with the control layer design scheme, we propose a valve addressing scheme detection strategy, a valve synchronization requirement detection strategy, and a test pattern selection strategy based on discrete social learning particle swarm optimization, enabling the selected test patterns to cover a wider range of anomalous behaviors. Experimental results demonstrate that CLCAD effectively improves anomaly detection probability and return on investment while maintaining low detection cost across multiple benchmarks.
Yazarların özeti; kaynağından alınmıştır. ACM Transactions on Design Automation of Electronic Systems, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Donanım ve Mimari
Hardware and ArchitectureComputer Science