COLTRANE-V è un progetto PRIN 2022 (2022HWM3T9, 2023–2025) coordinato dal Politecnico di Torino e finanziato dal Ministero dell'Università e della Ricerca.

Il progetto mira a rendere più affidabili le ECU automotive attraverso un approccio di continuous learning: rilevazione di guasti/attacchi e contromisure real-time su architettura RISC-V + acceleratore AI, in collaborazione con Università degli Studi di Catania e Università degli Studi di Genova.

Visita il sito ufficiale del progetto: coltrane-v.github.io

• CHAOS: Controlled Hardware fAult injectOr System for gem5
  arXiv

• Real-time Embedded System Fault Injector Framework for Micro-architectural State Based Reliability Assessment
  Journal of Electronic Testing (Springer)
  DOI | IRIS

• CANDoSA: A Hardware Performance Counter-Based Intrusion Detection System for DoS Attacks on Automotive CAN bus
  IEEE IOLTS 2025
  DOI | arXiv

• AI-based Classification of Intentional vs. Unintentional Corruptions in the Split Computing context
  IEEE IOLTS 2025
  DOI | IRIS

• Uncovering Privacy Vulnerabilities through Analytical Gradient Inversion Attacks
  Springer
  DOI | arXiv

• An Anomaly Detection Model for RISC-V in Automotive Applications: A Domain-Specific Accelerator Perspective
  IEEE PDP 2025
  DOI | IEEE Xplore

• CARACAS: vehiCular ArchitectuRe for detAiled Can Attacks Simulation
  IEEE ISCC 2024
  DOI | arXiv

• R-CONV: An Analytical Approach for Efficient Data Reconstruction via Convolutional Gradients
  Springer LNCS, WISE 2024
  DOI | arXiv

Repository pubblici contenenti codice e strumenti sviluppati dal progetto COLTRANE-V:

• Politecnico di Torino (Coordinatore), Torino, Italia
• Università degli Studi di Catania, Catania, Italia
• Università degli Studi di Genova, Genova, Italia