Eficiência Energética de Arquiteturas In-Order e Out-of-Order para Aprendizado Federado de Borda na Detecção de Intrusão em CAN de Veículos Autônomos
Resumo
Sistemas de detecção de intrusão baseados em aprendizado de máquina protegem redes CAN veiculares, mas seu custo arquitetural em núcleos de borda restritos é pouco caracterizado. Com gem5, McPAT e CACTI em 22 nm, é realizada a caracterização de quatro cargas de IDS (Random Forest, XGBoost, MLP e SVM linear) em núcleos in-order (MinorCPU) e out-of-order (O3CPU), incluindo o round de treino local do aprendizado federado. O núcleo out-of-order reduz o EDP em todas as cargas, mas o ganho varia de 1,3× a 5,1× conforme o perfil de memória e de desvios. Ampliar as caches piora o EDP da maioria das cargas, pois o leakage domina em 22 nm. A escolha de arquitetura para IDS veicular deve seguir o perfil computacional do algoritmo.Referências
Adolf, R., Rama, S., Reagen, B., Wei, G.-Y., and Brooks, D. (2016). Fathom: Reference workloads for modern deep learning methods. In IEEE International Symposium on Workload Characterization (IISWC), pages 1–10. IEEE.
Aguilar, I., Nobre, C., and Freitas, H. (2025). Analyzing car-hacking dataset to understand cyberattacks and intrusion detection in autonomous vehicles. In Proceedings of the LVII Brazilian Symposium on Operations Research (SBPO), pages 1–12. SOBRAPO.
Aguilar, I. R. (2026). Bases de dados com cenários heterogêneos para análise e avaliação de intrusão em Controller Area Networks de veículos autônomos. Dissertação (mestrado em informática), Pontifícia Universidade Católica de Minas Gerais, Belo Horizonte. Disponível em: [link]. Acesso em: 16 jul. 2026. AV-IDS-Dataset disponível em: [link].
Albonesi, D. H. (1999). Selective cache ways: On-demand cache resource allocation. In Proceedings of the 32nd Annual ACM/IEEE International Symposium on Microarchitecture (MICRO), pages 248–259. IEEE.
Alf, L., Hoffmann, R., Müller, C., and Griebler, D. (2023). Análise da execução de algoritmos de aprendizado de máquina em dispositivos embarcados. In Anais do XXIV Simpósio em Sistemas Computacionais de Alto Desempenho, pages 61–72, Porto Alegre, RS, Brasil. SBC.
Aquino, I. C., Krebs, C. P., Wanner, L., and Rigo, S. (2025). Evaluating memory constraints of risc-v matrix accelerators using gem5. In Anais do XXVI Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), pages 193–204. SBC.
Bernardo, F., Yokoyama, A., Schulze, B., and Ferro, M. (2021). Avaliação do consumo de energia para o treinamento de aprendizado de máquina utilizando single-board computers baseadas em arm. In Anais do XXII Simpósio em Sistemas Computacionais de Alto Desempenho, pages 60–71, Porto Alegre, RS, Brasil. SBC.
Hazelwood, K., Bird, S., Brooks, D., Chintala, S., Diril, U., Dzhulgakov, D., Fawzy, M., Jia, B., Jia, Y., Kalro, A., et al. (2018). Applied machine learning at Facebook: A datacenter infrastructure perspective. In IEEE International Symposium on High Performance Computer Architecture (HPCA), pages 620–629. IEEE.
He, M., Thottethodi, M., and Vijaykumar, T. N. (2022). Booster: An accelerator for gradient boosting decision trees training and inference. In IEEE International Parallel and Distributed Processing Symposium (IPDPS), pages 1051–1062. IEEE.
Kaxiras, S., Hu, Z., and Martonosi, M. (2001). Cache decay: Exploiting generational behavior to reduce cache leakage power. In Proceedings of the 28th Annual International Symposium on Computer Architecture (ISCA), pages 240–251. ACM/IEEE.
Kim, N. S., Austin, T., Blaauw, D., Mudge, T., Flautner, K.-s.-t., Hu, J. S., Irwin, M. J., Kandemir, M., and Narayanan, V. (2003). Leakage current: Moore’s law meets static power. Computer, 36(12):68–75.
Li, S., Ahn, J. H., Strong, R. D., Brockman, J. B., Tullsen, D. M., and Jouppi, N. P. (2009). McPAT: An integrated power, area, and timing modeling framework for multicore and manycore architectures. In Proceedings of the 42nd Annual IEEE/ACM International Symposium on Microarchitecture (MICRO), pages 469–480. ACM.
Lin, J. et al. (2020). MCUNet: Tiny deep learning on IoT devices. Adv. Neural Inf. Process. Syst. (NeurIPS), 33:11711–11722.
Liu, S., Tang, J., Zhang, Z., and Gaudiot, J.-L. (2017). Computer architectures for autonomous driving. Computer, 50(8):18–25.
Lowe-Power, J., Ahmad, A. M., Akram, A., et al. (2020). The gem5 simulator: Version 20.0+. In arXiv preprint. arXiv:2007.03152.
Meneguette, R. I., De Grande, R. E., Ueyama, J., Rocha Filho, G. P. R., and Madeira, E. R. M. (2023). Vehicular edge computing: Architecture, resource management, security, and challenges. ACM Computing Surveys, 55(2):1–46.
Penha, J., Silva, A. K. C. d., Barros, O., Moreira, I., Nacif, J. A. M., and Ferreira, R. (2023). Avaliação de estilos de código para árvores de decisão em gpu com microbenchmarks. In Anais do XXIV Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), pages 277–288. SBC.
Pereira, L. F. M. C., Souza, M. A., and Freitas, H. C. (2026). Eficiência energética de arquiteturas In-Order e Out-of-Order para inferência de Random Forest em borda veicular. In Anais da Escola Regional de Alto Desempenho da Região Sudeste (ERAD-SE). SBC.
Qureshi, Y. M., Simon, W. A., Zapater, M., Olcoz, K., and Atienza, D. (2021). gem5-X: A many-core heterogeneous simulation platform for architectural exploration and optimization. ACM Transactions on Architecture and Code Optimization (TACO), 18(4):1–27.
Silva, A., Silva, O., Moreira, I., Nacif, J. A., and Ferreira, R. (2024). Implementações eficientes de random forest em fpga de baixo custo para internet das coisas e computação de borda. In Anais do XXV Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), pages 49–60. SBC.
Song, H. M., Kim, H. R., and Kim, H. K. (2016). Intrusion detection system based on the analysis of time intervals of CAN messages for in-vehicle network. In International Conference on Information Networking (ICOIN), pages 63–68. IEEE.
Souza, M. T. d., Souza, M. A., and Freitas, H. C. d. (2025). Quantum machine learning with enhanced autoencoders for intrusion detection. In Anais do XXVI Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), pages 217–228. SBC.
Sze, V. et al. (2017). Efficient processing of deep neural networks: A tutorial and survey. Proc. IEEE, 105(12):2295–2329.
Tashiro, G. et al. (2016). An environment for design space exploration using gem5-mcpat. In VI Brazilian Symposium on Computing Systems Engineering (SBESC), pages 220–225. IEEE.
Wilton, S. J. E. and Jouppi, N. P. (1996). CACTI: An enhanced cache access and cycle time model. IEEE Journal of Solid-State Circuits, 31(5):677–688.
Yassin, Y., Jahre, M., Kjeldsberg, P. G., Aunet, S., and Catthoor, F. (2021). Fast and accurate edge computing energy modeling and DVFS implementation in GEM5 using system call emulation mode. Journal of Signal Processing Systems, 93:33–48.
Aguilar, I., Nobre, C., and Freitas, H. (2025). Analyzing car-hacking dataset to understand cyberattacks and intrusion detection in autonomous vehicles. In Proceedings of the LVII Brazilian Symposium on Operations Research (SBPO), pages 1–12. SOBRAPO.
Aguilar, I. R. (2026). Bases de dados com cenários heterogêneos para análise e avaliação de intrusão em Controller Area Networks de veículos autônomos. Dissertação (mestrado em informática), Pontifícia Universidade Católica de Minas Gerais, Belo Horizonte. Disponível em: [link]. Acesso em: 16 jul. 2026. AV-IDS-Dataset disponível em: [link].
Albonesi, D. H. (1999). Selective cache ways: On-demand cache resource allocation. In Proceedings of the 32nd Annual ACM/IEEE International Symposium on Microarchitecture (MICRO), pages 248–259. IEEE.
Alf, L., Hoffmann, R., Müller, C., and Griebler, D. (2023). Análise da execução de algoritmos de aprendizado de máquina em dispositivos embarcados. In Anais do XXIV Simpósio em Sistemas Computacionais de Alto Desempenho, pages 61–72, Porto Alegre, RS, Brasil. SBC.
Aquino, I. C., Krebs, C. P., Wanner, L., and Rigo, S. (2025). Evaluating memory constraints of risc-v matrix accelerators using gem5. In Anais do XXVI Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), pages 193–204. SBC.
Bernardo, F., Yokoyama, A., Schulze, B., and Ferro, M. (2021). Avaliação do consumo de energia para o treinamento de aprendizado de máquina utilizando single-board computers baseadas em arm. In Anais do XXII Simpósio em Sistemas Computacionais de Alto Desempenho, pages 60–71, Porto Alegre, RS, Brasil. SBC.
Hazelwood, K., Bird, S., Brooks, D., Chintala, S., Diril, U., Dzhulgakov, D., Fawzy, M., Jia, B., Jia, Y., Kalro, A., et al. (2018). Applied machine learning at Facebook: A datacenter infrastructure perspective. In IEEE International Symposium on High Performance Computer Architecture (HPCA), pages 620–629. IEEE.
He, M., Thottethodi, M., and Vijaykumar, T. N. (2022). Booster: An accelerator for gradient boosting decision trees training and inference. In IEEE International Parallel and Distributed Processing Symposium (IPDPS), pages 1051–1062. IEEE.
Kaxiras, S., Hu, Z., and Martonosi, M. (2001). Cache decay: Exploiting generational behavior to reduce cache leakage power. In Proceedings of the 28th Annual International Symposium on Computer Architecture (ISCA), pages 240–251. ACM/IEEE.
Kim, N. S., Austin, T., Blaauw, D., Mudge, T., Flautner, K.-s.-t., Hu, J. S., Irwin, M. J., Kandemir, M., and Narayanan, V. (2003). Leakage current: Moore’s law meets static power. Computer, 36(12):68–75.
Li, S., Ahn, J. H., Strong, R. D., Brockman, J. B., Tullsen, D. M., and Jouppi, N. P. (2009). McPAT: An integrated power, area, and timing modeling framework for multicore and manycore architectures. In Proceedings of the 42nd Annual IEEE/ACM International Symposium on Microarchitecture (MICRO), pages 469–480. ACM.
Lin, J. et al. (2020). MCUNet: Tiny deep learning on IoT devices. Adv. Neural Inf. Process. Syst. (NeurIPS), 33:11711–11722.
Liu, S., Tang, J., Zhang, Z., and Gaudiot, J.-L. (2017). Computer architectures for autonomous driving. Computer, 50(8):18–25.
Lowe-Power, J., Ahmad, A. M., Akram, A., et al. (2020). The gem5 simulator: Version 20.0+. In arXiv preprint. arXiv:2007.03152.
Meneguette, R. I., De Grande, R. E., Ueyama, J., Rocha Filho, G. P. R., and Madeira, E. R. M. (2023). Vehicular edge computing: Architecture, resource management, security, and challenges. ACM Computing Surveys, 55(2):1–46.
Penha, J., Silva, A. K. C. d., Barros, O., Moreira, I., Nacif, J. A. M., and Ferreira, R. (2023). Avaliação de estilos de código para árvores de decisão em gpu com microbenchmarks. In Anais do XXIV Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), pages 277–288. SBC.
Pereira, L. F. M. C., Souza, M. A., and Freitas, H. C. (2026). Eficiência energética de arquiteturas In-Order e Out-of-Order para inferência de Random Forest em borda veicular. In Anais da Escola Regional de Alto Desempenho da Região Sudeste (ERAD-SE). SBC.
Qureshi, Y. M., Simon, W. A., Zapater, M., Olcoz, K., and Atienza, D. (2021). gem5-X: A many-core heterogeneous simulation platform for architectural exploration and optimization. ACM Transactions on Architecture and Code Optimization (TACO), 18(4):1–27.
Silva, A., Silva, O., Moreira, I., Nacif, J. A., and Ferreira, R. (2024). Implementações eficientes de random forest em fpga de baixo custo para internet das coisas e computação de borda. In Anais do XXV Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), pages 49–60. SBC.
Song, H. M., Kim, H. R., and Kim, H. K. (2016). Intrusion detection system based on the analysis of time intervals of CAN messages for in-vehicle network. In International Conference on Information Networking (ICOIN), pages 63–68. IEEE.
Souza, M. T. d., Souza, M. A., and Freitas, H. C. d. (2025). Quantum machine learning with enhanced autoencoders for intrusion detection. In Anais do XXVI Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), pages 217–228. SBC.
Sze, V. et al. (2017). Efficient processing of deep neural networks: A tutorial and survey. Proc. IEEE, 105(12):2295–2329.
Tashiro, G. et al. (2016). An environment for design space exploration using gem5-mcpat. In VI Brazilian Symposium on Computing Systems Engineering (SBESC), pages 220–225. IEEE.
Wilton, S. J. E. and Jouppi, N. P. (1996). CACTI: An enhanced cache access and cycle time model. IEEE Journal of Solid-State Circuits, 31(5):677–688.
Yassin, Y., Jahre, M., Kjeldsberg, P. G., Aunet, S., and Catthoor, F. (2021). Fast and accurate edge computing energy modeling and DVFS implementation in GEM5 using system call emulation mode. Journal of Signal Processing Systems, 93:33–48.
Publicado
03/11/2026
Como Citar
PEREIRA, Luís Fillipe M. C.; SOUZA, Matheus A.; FREITAS, Henrique C..
Eficiência Energética de Arquiteturas In-Order e Out-of-Order para Aprendizado Federado de Borda na Detecção de Intrusão em CAN de Veículos Autônomos. In: SIMPÓSIO EM SISTEMAS COMPUTACIONAIS DE ALTO DESEMPENHO (SSCAD), 27. , 2026, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 665-679.
DOI: https://doi.org/10.5753/sscad.2026.34999.
