A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Vulnerability Estimation of DNN Model Parameters with Few Fault Injections Estimativa de vulnerabilidade de parâmetros do modelo DNN com poucas injeções de falhas

Yangchao ZHANG, Hiroaki ITSUJI, Takumi UEZONO, Tadanobu TOBA, Masanori HASHIMOTO

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A confiabilidade das redes neurais profundas (DNN) contra erros de hardware é essencial, pois as DNNs são cada vez mais empregadas em aplicações críticas de segurança, como a direção automática. Erros transitórios na memória, como erros leves induzidos por radiação, podem se propagar através do cálculo de inferência, resultando em resultados inesperados, o que pode desencadear adversamente falhas catastróficas no sistema. Como primeiro passo para resolver este problema, este artigo propõe a construção de um modelo de vulnerabilidade (VM) com um pequeno número de injeções de falhas para identificar parâmetros de modelo vulneráveis ​​em DNN. Reduzimos significativamente o número de localizações de bits para injeção de falhas e desenvolvemos um fluxo para coletar incrementalmente os dados de treinamento, ou seja, os resultados da injeção de falhas, para melhorar a precisão da VM. Enumeramos os principais recursos (KF) que caracterizam a vulnerabilidade dos parâmetros e usamos KF e os dados de treinamento coletados para construir VM. Os resultados experimentais mostram que a VM pode estimar vulnerabilidades de todos os parâmetros do modelo DNN apenas com cálculos de 1/3490 em comparação com a estimativa de vulnerabilidade tradicional baseada em injeção de falhas.

Publicação
IEICE TRANSACTIONS on Fundamentals Vol.E106-A No.3 pp.523-531
Data de publicação
2023/03/01
Publicitada
2022/11/09
ISSN online
1745-1337
DOI
10.1587/transfun.2022VLP0004
Tipo de Manuscrito
Special Section PAPER (Special Section on VLSI Design and CAD Algorithms)
Categoria

autores

Yangchao ZHANG
  Osaka University
Hiroaki ITSUJI
  Research & Development Group, Hitachi, Ltd.
Takumi UEZONO
  Research & Development Group, Hitachi, Ltd.
Tadanobu TOBA
  Research & Development Group, Hitachi, Ltd.
Masanori HASHIMOTO
  Kyoto University

Palavra-chave