The amount of data in real-time, such as time series and streaming data, available today continues to grow. Being able to analyze this data the moment it arrives can bring an immense added value. However, it also requires a lot of computational effort and new acceleration techniques. As a possible solution to this problem, this paper proposes a hardware architecture for Typicality and Eccentricity Data Analytic (TEDA) algorithm implemented on Field Programmable Gate Arrays (FPGA) for use in data streaming anomaly detection. TEDA is based on a new approach to outlier detection in the data stream context. The suggested design has a full parallel input of N elements and a 3-stage pipelined architecture to reduce the critical path and thus optimize the throughput. In order to validate the proposals, results of the occupation and throughput of the proposed hardware are presented. The design reached a speed of up to 693x, compared to other software platforms, with a throughput of up to 10.96 MSPs (Mega Sample Per second), using a small portion of the target FPGA resources. Besides, the bit accurate simulation results are also presented. This work is a pioneer in the hardware implementation of the TEDA technique in FPGA. The project aims to Xilinx Virtex-6 xc6vlx240t-1ff1156 as the target FPGA.
Este trabalho propõe um hardware de aplicação específica (Application-Specific System Processor, ASSP) para o algoritmo Secure Hash Algorithm 1 (SHA-1). O hardware proposto foi implementado em uma Field Programmable Gate Array (FPGA) Xilinx Virtex 6 xc6vlx240t1ff1156. O tempo de processamento (throughput) e a área ocupada foram analisados para várias implementações em instâncias paralelas do algoritmo de hash. Os resultados mostraram que o hardware proposto para o SHA1 alcançou um throughput de 0, 644Gbps para umaúnica instância e um pouco maior que 28Gbps para 48 instâncias em umúnico FPGA. Várias aplicações como, recuperação de senha, validação de senha e verificação de integridade de grande volume de dados podem ser executadas de forma eficiente e rápida com um ASSP para o SHA1.
A água é vital para garantir a segurança alimentar da população mundial, e a agricultura é o maior setor consumidor desse recurso, utilizando duas vezes mais água que a indústria e nove vezes mais do que cidadãos em municípios. As principais causas para esse consumo de água são os vazamentos nos sistemas de distribuição e a própria irrigação que resulta em desperdício. Nesse cenário, este artigo propõe uma arquitetura de plataforma inteligente para monitorar o nível de água necessário em um determinado cultivo e direcionar uma quantidade de água otimizada para os lugares onde há demanda pelo recurso. Como contribuição, mostramos como os componentes de Internet das Coisas e de Aprendizagem de Máquina podem ser combinados em uma arquitetura reutilizável para a irrigação inteligente.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.