연구진은 안드로이드 악성코드 탐지를 위한 딥러닝 모델의 에너지 효율성 문제를 해결하기 위해 다양한 MLP 모델 구성을 테스트했어요. INT8 양자화 신경망을 사용했을 때 모델 크기가 약 3.5배 감소하고 에너지 소비량은 1회 추론당 0.0189mJ로 줄었으며, 99.2% 이상의 탐지 정확도를 유지했어요. 3~4계층의 얕은 양자화 아키텍처는 처리량 향상과 CPU 고전력 상태 시간을 단축하여 에너지 비용을 절감하는 것으로 나타났어요.
연구 결과, 효율적인 악성코드 보호는 자원 제약이 있는 스마트폰에서도 달성 가능하며, 모바일 보안 분야의 Green AI 기반을 마련했어요. 기존 FP32 모델 대비 INT8 양자화가 에너지 소비를 크게 줄이는 효과를 보였어요. 이 연구는 안드로이드 기기의 배터리 수명 연장에 기여할 수 있는 중요한 발견입니다.
TUANDROMD 및 DREBIN 데이터셋을 활용하여 성능과 에너지 소비를 비교 분석했으며, 얕은 양자화 아키텍처가 에너지 효율을 높이는 데 효과적임을 확인했어요.