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
相关材料