Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.015 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".