Bounding error detection latency with enhanced execution fingerprinting
Notice bibliographique
Résumé
À cause de la décroissance de la taille des transistors et de la conséquente augmentation de la densité des transistors et de leur réduction en charge cruciale, les systèmes critiques à la sécurité (SCS) sont devenus plus vulnérables contre les erreurs introduites par des ions cosmiques, radiations de l'encapsulation, et des neutrons thermiques. Ces erreurs sont appelées erreurs doux et peuvent causer la défaillance immédiate ou retardée de tout le système. Traditionnellement, ce genre d'erreurs a été adressé par l'utilisation de composant endurci contre les radiations, de redondance d'information (tel que code de détection d'erreurs (EDC) et code correcteur d'erreurs (ECC)), et de redondance d'exécution (tel qu'exécution à phase verrouillée à double redondance modulaire (LS-DMR) ou triple redondance modulaire avec électeur). Toutefois, ces techniques ont tous un même problème : ils ne peuvent pas garantir un temps maximum ou période d'exécution maximale pour le temps de détection de l'erreur après avoir été introduit, ce qui mène à une erreur latente peut demeurer dans un SCS pour des millions de cycles d'exécution sans être détecté. Garantir la latence de détection d'erreurs (EDL) est capitale pour les SCS à ressource limité car une détection retardée peut causer un gaspillage de ressources attribuées pour la calculation. Dans cette thèse, nous proposons Enhanced Execution Fingerprinting (EEF) (capture d'empreinte digitale d'exécution améliorée), une méthode efficace pour limiter EDL. La capture d'empreinte digitale d'exécution (EF) a récemment émergé en tant qu'une solution d'utilisation de ressource efficace de détection d'erreurs basées sur la n-redondance modulaire pour les systèmes à multiple criticité. EF compresse l'information d'exécution du processeur dans un mot à taille fixe nommée fingerprint et la détection d'erreurs est faite par la comparaison de fingerprint générée par une exécution redondante. Ce travail renforce EF par l'addition de deux techniques originales : State Checkpoingting (SC) et Selective State Streaming (SSS). En poussant activement l'état des registres vers le circuit de d'empreinte digitale, les méthodes proposées peuvent tous les deux garantir la latence des erreurs détectées avec un surcoût en surface limité. Avec une simulation d'injection de fautes à multi-bits, dans cette thèse, on évalue et mesure la capabilité de détection d'erreurs d'EF-SC et EF-SSS. Nos simulations montrent que EF-SC et EF-SSS peuvent limiter EDL à une période fixe prédéterminé, réduit la distance hamming des erreurs et aussi réduit le taux d'erreur affectant le flux de contrôle tout en seulement introduisant un taux de surcoût d'information additionnelle de 1% comparé à EF traditionnelle.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».