最初，云計算及其所有“無限”功能似乎消除了邊緣設備具有任何實質性智能的需求。然而，在過去幾年中，有一種趨勢是在邊緣設備中實施人工智能（AI）和機器學習（ML），以解決數據傳輸延遲，隱私和更大的設備自主性等問題。這為在邊緣設備中構建嵌入式系統帶來了一定的內存要求。本文探討了適用于邊緣設備的某些 ML 方案，以及使其成為可能的非易失性內存要求。

為什么在邊緣設備上使用機器學習 （ML）

邊緣設備是生成 ML 數據的位置。物聯網、工業和消費領域的應用從自己的傳感器生成大量數據，并且需要能夠根據人機界面 （HMI） 的命令快速做出決策。傳感器融合技術使獲取邊緣設備上的數據變得更容易、更快、更準確。HMI使人際互動更加用戶友好和適應性強。當然，在ML計算引擎中處理更接近其來源的數據是有意義的。邊緣計算永遠不會取代云計算;但是，不必將數據傳輸到云，可以更快地訓練機器，并且可以大大減少與云服務器的連接帶寬。

廣泛的物聯網應用程序可以從本地AI處理中受益。圖 1 顯示了 SensiML 中的一個圖表，其中列出了在邊緣設備上進行 AI 處理的示例。

圖 1：可以從本地 AI 處理中受益的示例應用程序（來源：SensiML）

當然，在邊緣設備上實現 ML 肯定存在挑戰。例如，邊緣設備可能依賴于電池，因此具有有限的能量預算。它們也可能具有有限的計算容量和/或內存空間。然而，現代MCU技術正在使邊緣設備上實現這一目標。如圖2所示，從Barth Development所做的研究中，在過去的幾十年里，我們可以看到，雖然MCU的功耗保持相對平穩，但晶體管的數量、時鐘速度、并聯內核的數量都在上升。隨著更多高性能、低功耗MCU的出現，邊緣計算可以幫助構建智能且用戶友好的系統。

圖2：過去幾年的MCU研究（來源：巴特發展）

機器學習的不同方案

一般來說，ML可以分為兩大類：監督學習和無監督學習。監督學習是指使用“標記”的數據訓練機器，這意味著每個數據樣本都包含特征和答案。通過向機器提供這些標記數據，我們正在訓練它找到特征和答案之間的相關性。經過培訓后，當我們為機器提供一組新功能時，希望它能得出我們期望的正確答案。例如，可以訓練設備在其視頻源（即攝像機）捕獲的圖像中查找文本和數字。為了以非常簡化的方式描述該過程，通過給定可能包含或不包含文本和數字的圖像以及正確答案（即“標簽”）來訓練設備。訓練后，該設備可以在任何給定的新圖像中查找文本和數字。

另一方面，無監督學習是指一種方法，其中機器被饋送未“標記”的數據，這意味著每組特征都沒有答案。無監督學習的目標是從所有這些數據中找到隱藏的信息，無論是對數據集進行聚類化，還是查找它們之間的關聯。無監督學習的一個例子可能是在生產線末端進行質量控制，從所有其他產品中發現異常產品（即異常檢測）。設備不會給出“標記”答案來指示哪些產品異常。通過分析每個產品中的特征，該算法會自動從大多數好產品中識別不良產品，因為設備經過訓練以查看它們之間的差異。

在本文中，我們將嘗試更深入地了解可以部署在邊緣設備中的監督學習算法。我們將使用一些簡單的數學公式來解釋兩種學習算法之間的差異。

如上所述，監督學習將標記的數據集饋送到正在訓練的設備中。假設每個數據集包含許多特征 x1，x2.。.xn.接下來，為每個特征分配一個系數 q，并記下該函數。這稱為假設函數，hq（x）：

hq（x） = q0* P1x1* P2x2* P3x3.。. + qnxn

訓練機器意味著一組適當的 q （q0- P1- P2， 。..， qn） 被找到，以便假設輸出 hq（x）盡可能接近給定的答案（標簽）。訓練后，當一組新特征 X （x1，x2， 。..， xn）提出時，假設函數將給出基于 q 的最優集合的輸出。

查找 q 的一種方法是使用具有梯度下降的線性回歸。以下步驟是此方法的簡化說明：

1.選擇一組初始。..n.然后計算假設與給定答案 Y 之間的差值。這種差異通常稱為成本。

2.不斷向成本更低的方向發展。每次重新計算成本。重復此步驟，直到成本不再降低。

3.如果成本不再降低，我們已經達到了一個最佳集合，該集合為我們提供了所有給定樣品的最低成本。

4.現在，如果給定一組新的X，則此集合可用于預測輸出。

梯度下降的名稱來自步驟 2 中更改 q 的方法。通過在梯度方向上更新 q，該算法保證它將收斂到最優值。圖 3 顯示了梯度下降的圖形表示，以得到最小成本函數 J（q0- P1）。

圖 3：梯度下降中的成本函數 J 與參數集 q

如果步驟 2 中的成本計算是對所有給定的數據樣本完成的，則該方法稱為批量梯度下降。每次更新 q 時，該算法都會計算所有訓練數據樣本的成本。這種計算方式為如何更改 q 提供了更好的方向。但是，如果給定的訓練數據樣本集很大，則計算所有樣本的成本需要大量的計算能力。此外，系統必須在訓練期間存儲所有數據樣本。

梯度下降的另一種方法是對數據樣本的子集執行步驟 2。這種方法稱為隨機梯度下降。該算法在每次迭代時根據較小的數據樣本集更改 q。此方法可能需要更多迭代才能達到最佳 q，但它節省了大量的計算能力和潛在的時間，因為它不需要計算整個數據樣本集的成本。

使用隨機梯度下降方法，用于計算成本的最小樣本數為 1。如果 ML 算法在新數據樣本可用時優化 q，我們可以將此 ML 算法視為基于順序數據樣本更新的持續行為。當每個可用的數據樣本進入時，算法會計算新的 q。因此，系統在每一步動態更新假設函數。此方法也稱為在線梯度下降或在線機器學習。

批量梯度下降與在線機器學習

在批量梯度下降和在線機器學習之間，后者具有適用于邊緣設備的某些特征。

1.無限的數據樣本

如前所述，邊緣設備通常配備傳感器或HMI，可以連續提供無窮無盡的數據樣本或人類反饋。因此，在線ML算法可以不斷從數據變化中學習并改進假設。

2.計算能力

邊緣設備通常具有有限的計算能力。對大量數據樣本運行批量梯度下降算法可能不切實際。但是，通過一次計算一個數據樣本，就像在線ML一樣，MCU不必具有巨大的計算能力。

3.非易失性（NV）存儲器

Batch 梯度下降算法要求系統存儲整個訓練集，該訓練集必須駐留在非易失性存儲中，而在線 ML 算法則一次計算一個傳入的數據樣本。在線 ML 算法可能會丟棄數據或僅存儲一小組樣本，以節省非易失性存儲。這特別適用于非易失性存儲器可能受到限制的邊緣設備。

4.適應性

想象一下，在線 ML 算法在邊緣設備上執行語音識別。通過新的數據樣本不斷訓練算法，系統可以動態地適應特定的用戶和/或口音。

邊緣設備上 ML 的非易失性內存要求

除MCU外，非易失性存儲器是設計執行ML處理的邊緣設備的另一個重要因素。如果MCU為應用軟件提供足夠的電子閃存，則嵌入式閃存是一個顯而易見的選擇。然而，隨著MCU技術節點的不斷縮小，電子閃存變得越來越難以集成。簡而言之，應用軟件的增長超過了可用的電子閃存。在這種情況下，外部獨立NV閃存變得必要。考慮到不同類型NV閃存設備提供的可靠性、讀取吞吐量和就地執行功能，NOR閃存通常是邊緣系統設計人員的首選。

要為 ML 構建安全可靠的邊緣設備，有許多設計注意事項。以下是其中的幾個，可幫助設計人員決定使用哪種NV存儲器（參見圖4）。

1.安全啟動

所有嵌入式系統必須安全啟動。對于邊緣設備，安全啟動尤其重要，因為靠近人類訪問，因此存在潛在的安全攻擊風險。通常，對于使用存儲下載 （SnD） 代碼模型的設備，啟動代碼存儲在非易失性內存中，并下載到 RAM 中以執行。如果非易失性存儲器不安全，黑客很容易替換或修改引導代碼以執行惡意操作。因此，將引導代碼存儲在安全的非易失性存儲器中并在引導期間建立信任根是邊緣設備非常重要的考慮因素。

2.抗攻擊性

鑒于邊緣設備的連接性，邊緣設備的攻擊面無疑是巨大的。即使使用安全啟動，黑客也可能試圖通過各種攻擊方法從設備中竊取智能機密或隱私信息，例如被動監控，主動重放攻擊，側信道攻擊等。使用能夠抵抗這些攻擊的非易失性存儲器可以大大降低系統暴露的風險。

3.重要AI參數的安全存儲

ML 算法需要存儲參數的內存，例如上面提到的參數集。這些參數是使用大量數據樣本集運行訓練的結果。黑客可能對AI算法本身不感興趣，但最終結果往往是。如果黑客可以從存儲中竊取最終結果，他們就可以在不經過任何訓練的情況下模仿AI系統。這些參數（如參數集）直接影響 ML 方案和系統的智能。因此，它們應存儲在黑客無意或故意更改的安全存儲中。提供這種安全存儲能力的非易失性存儲器將非常適合需要存儲敏感信息的邊緣設備。

4.快速吞吐量

雖然邊緣設備可能不需要功能強大的MCU來運行廣泛的ML算法，但它們可能仍然需要快速訪問非易失性存儲器，以實現快速安全啟動和良好的計算性能。

圖 4：使用機器學習的邊緣設備需要非易失性內存，以支持安全啟動、抵御惡意攻擊、安全存儲和快速吞吐量，如此處所示的 Cypress Semper 安全 NOR 閃存。

在邊緣設備中實現智能化，使用戶數據的處理更接近其來源，這是一種工業趨勢。許多AI應用程序可以部署在構建智能和用戶友好系統的邊緣設備上。其中一種機器學習算法，在線機器學習，不需要廣泛的計算能力，對變化有很大的適應性，適用于邊緣設備。要在邊緣設備上構建智能和安全的系統，用戶可以選擇非易失性存儲器，這些存儲器提供信任根功能、安全存儲、快速吞吐量和抗惡意攻擊能力。

審核編輯：郭婷