MB-FICA: An ADL framework for multi-bit fault injection and coverage analysis
Bibliographic record
Abstract
Les systemes de securite critiques (SCS) peuvent rencontrer des erreurs doux en raison deperturbations causees par des evenements exterieurs tels que les rayons cosmiques, rayonnement de l'emballage et de neutrons thermiques. Les techniques traditionnelles demodelisation d'erreur souvent ne traitent que des corruptions et d'analyse uniques bitsbases sur des techniques populaires tels que le facteur de vulnerabilite architecturale (AVF)traiter chaque bit comme independant. Toutefois, des etudes rcentes ont montre une augmentation spectaculaire renversement multi-bits (MBU) ou la defaillance d'un seul bit estfortement correlee avec ses bits voisins. Ce phenomene est dû a la diminution des transistors et l'augmentation de la densite des transistors resultant, faisant une gresve de laparticule capable de corrompre plusieurs bits a la fois. Pour aider les concepteurs a MBU attenuation dans les chiers du registre du microprocesseur, nous avons developpe une structure original (disponible sur le site http://bhm.ece.mcgill.ca/~mb-fica) pour simuler et analyser l'eet de MBU et l'ecacite des techniques de tolerance aux pannes. Contrairement au travail avant, notre approche eectuel'injection de fautes dans la microarchitecture qui est integre avec les technologies fauted'attenuation et presente le comportement decoule du systeme executant divers criteres.Dans ce cadre , nous considerons (a) l'eet de la SRAM mise sur les modeles MBU ,(b) la nature des donnees dependant de troubles transitoires , et (c) execute des reperespour l'achevement d'evaluer avec precision la couverture de faute en vertu de dierentestechniques d'attenuation . Injection d'erreur est co^uteuse en ressources informatiques, en particulier dans le contexte de la MBU, par consequent, nous proposons une gamme de techniques d'accelerationde l'injection de fautes qui reduisent le temps d'execution des essais individuels que desimuler des techniques d'attenuation en cas de defauts sont presents, et l'arrêt de la simulation tout quand tout erreurs ont ete detectees ou corrigees. Lors de l'evaluation parite,SECDED, et 2 bits 2D ECC, nos resultats montrent une acceleration de la performance del'injection de fautes de 14x en moyenne, et jusqu'a pres de 60x dans un cas.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.006 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.017 | 0.005 |
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".