تشخیص و کاهش خرابی ساکت داده براساس پیش بینی نرخ رخداد خرابی بدون تزریق اشکال

خرابی ساکت داده (SDC) به طور جدی قابلیت اطمینان یک سیستم را به مخاطره می اندازد. رویکردهای فعلی با استفاده از یادگیری ماشین نرخ رخداد SDC برای هر دستورالعمل را پیش بینی می کنند. در حالی که اکثر آنها فاقد دقت مناسب و نیازمند مجموعه داده برای آموزش هستند و به دلیل مصرف منابع زیاد دستیابی به آنها دشوار است. از سوی دیگر نرخ رخداد اشکالات چندبیتی در قطعات نیمه هادی افزایش چشمگیری داشتهاند. لذا تشخیص دستورات آسیب پذیر در حضور اشکال اهمیت یافته است. اما خلاء تحقیقات موجود عدم وجود یک روش نرم افزاری با دقت بالا بدون نیاز به تزریق اشکال است؛ به طوریکه تشخیص اشکال در SDC با منشاء داده و دستورالعمل مورد بررسی قرار بگیرد. بدین منظور، در این پژوهش با محاسبه نرخ رخداد SDC برای هر دستورالعمل ها، مدل درخت تصمیم گیری M۵rule پیشنهاد گردیده است. سپس از روش تشخیص خطا، با کپی کردن دستورالعملهای حیاتی بوسیله مرتبسازی استفاده شده و در نهایت مدل ارائه شده بر روی معیار Mibench با برنامه های آزمایشی متعدد ارزیابی گردیده است. نتایج ارزیابی نشان می دهد روش ارائه شده در مقایسه با سایر روش های پیشرفته به دقت تشخیص بهتری با سربار در حدود ۹۹ درصد برای ۵۸ درصد نرخ پوشش SDC رسیده است.

کلیدواژه ها:

خرابی ساکت داده ، تزریق اشکال ، خطاهای نرم ، خطاهای چند بیتی ، یادگیری ماشین