MACHINE LEARNING-DRIVEN DERIVATION OF ABSTRACT BEHAVIOURAL PATTERNS FROM RUNTIME ACTIVITY LOGS IN SYSTEM-ON-CHIP SYSTEMS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
System-On-Chip Systems platforms generate immense volumes of runtime activity logs that hold rich information about system behaviour, reliability, and fault conditions. Traditional log analysis techniques, however, are unable to efficiently unveil the underlying behavioural patterns and temporal dependencies necessary for effective anomaly detection. This work proposes a machine learning-driven framework for unveiling abstract behavioural patterns from SoC runtime activity logs with the synergistic combination of temporal graph embeddings and clustering-based abstraction and anomaly detection procedures. The scheme was tested on a RISC-V-based SoC prototype, using runtime traces under nominal and fault-injected scenarios. Experimental results demonstrate that the proposed approach enhances clustering quality, achieving an Adjusted Rand Index of 0.86 and a Normalized Mutual Information of 0.87, surpassing state-of-the-art baselines such as LogUAD and Log2graphs. Anomaly detection was obtained by the model with an F1-score of 0.91 and an AUC of 0.95, and evidence of stability in detecting deviations at low false alarm rates. Computational efficiency analysis also indicates that inference latency reduces by ~26% compared to graph-based baselines, with the ability to support real-time monitoring. These results establish that the intended approach not only enables more design-time verification of SoC systems but also facilitates secure runtime fault monitoring. The paper concludes that machine learning-based behavioural abstraction is an operationally tractable, interpretable, and scalable solution for enhancing SoC dependability. Subsequent research will deploy the approach to heterogeneous log sources, energy-constrained optimization, and adaptive online learning across changing workloads.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle