Cyber-Physical Co-Design Reliability Framework for ASIL-D Automotive Sensor ECUs with Integrated Hardware–Software Fault Tolerance and Security
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
The extended complexity of the electronics control units (ECUs) of autonomous and electric cars makes it necessary to implement fault-tolerant designs that comply with the ISO26262ASIL-D. The paper will discuss how hardware-software co-design is used in guaranteeing the safety and reliability of automotive sensor ECUs. The systematic review of 21 articles published between 2021 and 2025 lists integrated strategies related to redundancy, virtualisation, artificial intelligence, and cybersecurity to attain the fail-operational resilience. In the research, the co-designed systems have been shown to have a 90 per cent diagnostic coverage, less than 5 ms recovery latency, and 95 per cent fault detection performance, which is much better than the traditional modular design. Hardware redundancy ensures physical resilience, and adaptive software enables the tasks and proactive fault recovery to be transmitted without difficulties. Moreover, there are cybersecurity features, including voltage-based ECU fingerprinting and root-of-trust verification, to improve the reliability of communications. This paper suggests the Co-Design Reliability Enhancement Framework (CREF) that has the capability of guaranteeing compliance with ASIL-D through the incorporation of redundancy, artificial intelligence, and fault prediction, as well as pipeline testing. The framework illustrates that cybersecurity and functional safety will need to go together, and the ideas of co-design underlie the design of the next-generation, software-defined, fault-tolerant vehicles.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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