基于轻量级漏洞预测的SDC致错检测

刘成、顾晶晶、颜祖嘉、庄福珍、王云云
第十一届亚洲机器学习会议记录，PMLR 101:1049-10642019年。

摘要

目前，由软错误引起的系统漏洞呈指数级增长，其中无声数据损坏（SDC）是最有害的问题之一，因为它会对原始数据和错误输出进行未经注意的更改。因此，检测SDC引起的错误对系统的可靠性至关重要。然而，当前的大多数检测技术都需要足够的故障注入数据来进行训练，这在实践中很难实现，因为资源消耗高，例如昂贵的执行时间和代码大小成本。为此，我们提出了一种轻量级的基于深度森林回归的多粒度冗余模型（DFRMR），以提高错误检测率，同时降低资源消耗。具体来说，首先，我们利用程序分析提取与SDC高度相关的指令特征。其次，我们设计了深度森林回归模型来预测指令的SDC脆弱性。第三，我们通过复制不同粒度的关键指令来优化错误检测过程。最后，我们在带有多个测试程序的Mibench基准上评估了DFRMR模型。结果表明，与其他先进方法相比，我们的方法获得了更好的检测精度，并保持了低多粒度冗余。

引用本文

BibTeX公司
@会议记录{pmlr-v101-liu19c，title={基于轻量级漏洞预测的SDC-causing Error Detection}，作者={刘、程和顾、晶晶和燕、祖家和庄、福珍和王、云云}，booktitle={第十一届亚洲机器学习会议论文集}，页数={1049--1064}，年份={2019}，editor={Lee，Wee Sun和Suzuki，Taiji}，体积={101}，series={机器学习研究论文集}，月={11月17日--19日}，publisher={PMLR}，pdf={http://proceedings.mlr.press/v101/liu19c/liu19c.pdf},url={https://proceedings.mlr.press/v101/liu19c.html},abstract={如今，由软错误引起的系统漏洞呈指数级增长，其中无声数据损坏（SDC）是最有害的问题之一，因为对原始数据和错误输出引入了未注意到的更改。因此，检测SDC引起的错误对系统的可靠性至关重要。然而，当前的大多数检测技术都需要足够的故障注入数据来进行训练，这在实践中很难实现，因为资源消耗高，例如昂贵的执行时间和代码大小成本。为此，我们提出了一种轻量级的基于深度森林回归的多粒度冗余模型（DFRMR），以提高错误检测率，同时降低资源消耗。具体来说，首先，我们利用程序分析提取与SDC高度相关的指令特征。其次，我们设计了深度森林回归模型来预测指令的SDC漏洞。第三，我们通过复制不同粒度的关键指令来优化错误检测过程。最后，我们在带有多个测试程序的Mibench基准上评估了DFRMR模型。结果表明，与其他最新方法相比，我们的方法获得了更好的检测精度，并保持了低多粒度冗余。}}
尾注
%0会议论文%基于轻量级漏洞预测的T SDC致错检测%A Cheng Liu（刘成）%A晶晶谷%A祖家岩%A富珍庄%王云云%第十一届亚洲机器学习会议论文集%C机器学习研究进展%D 2019年%E Wee Sun Lee先生%E铃木太极拳%对于pmlr-v101-liu19c%I项目经理%电话1049--1064%U型https://proceedings.mlr.press/v101/liu19c.html%101伏%X如今，由软错误引起的系统漏洞呈指数级增长，其中无声数据损坏（SDC）是最有害的问题之一，因为它对原始数据和错误输出引入了未经注意的更改。因此，SDC引起错误的检测对系统可靠性具有极其重要的意义。然而，当前的大多数检测技术都需要足够的故障注入数据来进行训练，这在实践中很难实现，因为资源消耗高，例如昂贵的执行时间和代码大小成本。为此，我们提出了一种轻量级的基于深度森林回归的多粒度冗余模型（DFRMR），以提高错误检测率，同时降低资源消耗。具体来说，首先，我们利用程序分析提取与SDC高度相关的指令特征。其次，我们设计了深度森林回归模型来预测指令的SDC漏洞。第三，我们通过复制不同粒度的关键指令来优化错误检测过程。最后，我们在带有多个测试程序的Mibench基准上评估了DFRMR模型。结果表明，与其他先进方法相比，我们的方法获得了更好的检测精度，并保持了低多粒度冗余。
亚太地区
Liu，C.，Gu，J.，Yan，Z.，庄，F.&Wang，Y.（2019）。基于轻量级漏洞预测的SDC致错检测。第十一届亚洲机器学习会议记录，英寸机器学习研究进展101:1049-1064可从https://proceedings.mlr.press/v101/liu19c.html。

相关材料