本文提出了 RRAM-DP，一种面向边缘 AIoT 系统的硬件-算法协同差分隐私方法。边缘 AIoT 设备常收集敏感数据，隐私保护至关重要。电阻式随机存取存储器（RRAM）因其多比特存储和存内计算能力而成为高效 AIoT 的候选硬件，但其固有的随机写入行为通常被视为精度损失因素。RRAM-DP 创新地利用这种随机性，通过放松 RRAM 写验证操作来注入经过校准的噪声，从而实现形式化的 (ε, δ)-差分隐私，并辅以预训练技术，形成一种新颖的隐私保护、高实用性的存内计算训练范式。在 CIFAR-10/100、STS-B 和 SST-2 数据集上，RRAM-DP-SGD 在 (ε=2, δ=O(1/n))-DP 下相比非隐私 SGD 仅最多损失 3.8% 的准确率。在相同隐私水平下，与 A100 GPU 和 DiVa-GEMM 相比，RRAM-DP-SGD 分别实现了最高 57 倍和 3.2 倍的能量节省，以及 2.7 倍和 1.8 倍的加速。这些结果表明，RRAM-DP 能够在边缘实现高效且隐私保护的存内训练。

该论文针对传统架构中巨大的数据搬运开销问题，提出了一种基于电阻式存储计算（IMC）的深度神经网络（DNN）加速器安全加固方法。传统IMC加速器使用自旋轨道矩磁隧道结（SOT-MTJ）等新兴器件绕过“存储墙”并降低泄漏功耗，但面临双重硬件威胁：制造工艺变异（PV）导致可靠性下降并增加故障注入的脆弱性，以及功率侧信道攻击（SCA）泄露敏感信息。现有防御手段通常分别处理这两种威胁，缺乏统一方案。本文提出ARMOR-IMC，一个后训练框架，在不重新训练模型的情况下同时加固模拟IMC加速器以抵御PV和SCA。该方法在IMAC-Sim模拟器中实现，利用提出的变异影响评分（VIS）指导故障观察窗口（FOW）的映射，并引入每次推理泄漏（LPI）指标来量化随机注入下输入相关的功率变化以及由此导致的有效信噪比降低。实验表明，PV引发的故障可使准确率下降超过50%，而所提方法能恢复接近基线的准确率，并减轻基于相关性分析的功耗攻击威胁。该工作为模拟IMC加速器的安全设计提供了新思路，适合硬件安全、可信机器学习领域的研究人员和工程师阅读。