최근 수년간 임베디드 환경에서의 메모리 안전성 이슈는 큰 주목을 받아 왔으며, 힙 메모리에서 발생하는 공간적 및 시간적 메모리 위반은 중요한 보안 위협으로 부상하고 있다. 이러한 과제에 대응하기 위해, 본 논문은 RISC-V 순차(in-order) 프로세서를 대상으로 하는 효율적인 태그 기반 메모리 검증 시스템을 제안한다. 제안된 시스템은 하드웨어 수준의 리플레이(replay) 메커니즘을 통합함으로써 성능 오버헤드를 최소화하도록 설계되었으며, Heap Check Cache(HC-Cache), FIFO Buffer, Store Head Buffer/Clear Head Buffer(SHB/CHB)를 포함한다. 소프트웨어 측면에서는 메타데이터 관리와 태그 생성의 자동화를 위해 확장된 RISC-V ISA 명령 및 수정된 Newlib C 라이브러리를 채택하였고, 사용자 애플리케이션에 대한 추가적인 수정 요구 없이 동작한다. 본 시스템은 Xilinx VC707 보드를 사용한 FPGA 플랫폼에서 구현되었다. 구현 결과, BRAM(0.66%) 및 LUTRAM(0.99%)에 대해서는 최소 오버헤드를 유지하면서 LUT는 16.07% 증가, Flip-Flops는 58.25% 증가하는 것으로 나타났다. Mibench, Olden, SPEC2006과 같은 워크로드를 이용한 성능 평가는 기존 연구에 비해 평균 성능 오버헤드가 유의하게 낮음을 보여주었다. 또한 NIST Juliet Test Suite 1.3을 사용한 검증 결과, 본 시스템은 1,924건의 힙 기반 오버플로우, 803건의 double-free 오류, 394건의 use-after-free 오류를 포함한 힙 관련 취약점의 100%를 성공적으로 탐지하였다. 이러한 결과는 제안된 시스템이 자원이 제한된 임베디드 환경에서도 높은 보안성과 성능 효율을 제공함을 입증한다.

YOLO 기반 객체 검출 모델은 높은 정확도와 빠른 추론 속도 덕분에 실시간 응용 분야에서 널리 사용된다. 그러나 복잡한 아키텍처와 높은 계산 요구량은 저전력 엣지 디바이스에 배포하는 데 있어 어려움을 야기한다. 이를 해결하기 위해, 하드웨어 친화적 양자화 기법인 LLTQ의 향상 버전인 LLTQ+를 제안한다. 제안된 접근법은 Quantization-Aware Training(QAT) 동안 배치 정규화(batch normalization) 계층을 보존하여 학습 안정성과 정확도를 유지하며, YOLO 네트워크의 핵심 구조 구성 요소인 RepConv의 표현력을 보존하는 양자화 전략을 도입한다. PASCAL VOC 데이터셋에 대한 실험 결과는 LLTQ+의 효과를 입증한다. YOLOv10-s에서 LLTQ+는 정수 전용 추론(integer-only inference) 조건에서 mAP(0.5) 80.6%, mAP(0.5:0.95) 61.8%를 달성했으며, 이는 각각 LLTQ 대비 0.9 및 1.7 퍼센트 포인트를 상회한다. YOLOv9-t에서는 LLTQ+가 mAP(0.5:0.95) 52.9%를 달성하여 LLTQ 대비 0.5 포인트 향상되었다. YOLOv7 및 YOLOv7-tiny와 같은 다른 아키텍처에서도 일관된 성능 향상이 관찰되었다. 이러한 결과는 LLTQ+가 최신의 더 복잡한 YOLO 네트워크에 대해서도 정수 양자화를 효과적으로 지원함을 확인해 주며, 정확도와 계산 효율 간의 균형을 이루는 실용적인 양자화 해법을 제공한다.