Implementação de Mecanismos de Isolamento para Aplicação de IA em Sistemas Embarcados Críticos

Abstract

A crescente adoção de Inteligência Artificial (IA) em dispositivos de borda (edge) tem aumentado a demanda por bibliotecas leves de aprendizado de máquina (Machine Learning, ML) para inferência de redes neurais em plataformas embarcadas com recursos limitados. Em- bora diversas bibliotecas deem suporte à implantação embarcada, elas diferem quanto à estraté- gia de implementação, ao suporte de hardware, ao gerenciamento de memória e às técnicas de otimização utilizadas. Este trabalho avalia sistematicamente seis bibliotecas de ML em plataformas heterogê- neas ARM Cortex-A e RISC-V, utilizando cargas de trabalho representativas de redes neurais. A metodologia combina métricas de software (latência, ocupação de memória e acurácia do modelo) com medições em nível de hardware, obtidas a partir da Unidade de Monitoramento de Desempenho (Performance Monitoring Unit, PMU) do processador. Ao correlacionar o de- sempenho de software com o comportamento microarquitetural, a avaliação revela como as estratégias de implementação influenciam a eficiência de execução. Os resultados mostram que nenhuma biblioteca se destaca isoladamente em todas as cargas de trabalho e plataformas avaliadas. A CMSIS-NN e a Genann apresentam o melhor desempenho para modelos feed-forward, enquanto a NCNN oferece o melhor equilíbrio geral para cargas de trabalho mais complexas. De forma geral, os resultados evidenciam os compro- missos entre desempenho, portabilidade e uso de recursos, oferecendo orientações práticas para a escolha de bibliotecas embarcadas.