Geri Dön

Function-level soft error vulnerability estimation using machine learning

Makine öğrenmesi kullanılarak programların fonksiyon seviyesinde geçici hata duyarlılığının tahmin edilmesi

PDF İndir

  1. Tez No: 995111
  2. Yazar: ORHAN GÜNEŞ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SANEM ARSLAN YILMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Hata enjeksiyonu, uygulamaların geçici hatalara (soft errors) karşı duyarlılığını değerlendirmek için yaygın olarak kullanılan bir tekniktir. Bu hatalar, genellikle radyasyon testleri yoluyla gerçekleştirilen devre seviyesinden, program değişkenlerinin bozulmasına dayalı uygulama seviyesine kadar çeşitli soyutlama seviyelerinde uygulanabilmektedir. Donanım tabanlı (düşük seviyeli) hata enjeksiyonu yöntemleri yüksek doğruluk sunarken, uygulanmaları genellikle maliyetli ve karmaşıktır. Buna karşılık, yazılım tabanlı (yüksek seviyeli) teknikler daha düşük maliyetli ve kolay uygulanabilir olsa da genellikle daha düşük doğruluk sunmaktadır. Çevirici dil (assembly) seviyesindeki hata enjeksiyonu, uygulama seviyesindeki tekniklerden daha yüksek doğruluk sunarken donanım seviyesindeki yaklaşımlardan daha pratik olmasıyla bir denge kurmaktadır. Uygulamalar, kod bölgeleri genelinde homojen olmayan bir duyarlılık sergilediğinden, bazı bölümlerdeki hatalar program çıktısını ciddi şekilde etkileyebilirken diğerlerinin etkisi ihmal edilebilir düzeydedir. Bu nedenle, özellikle kritik bölgelere seçici koruma uygulanacağı durumlarda, bir uygulamanın bölge tabanlı duyarlılığını değerlendirmek esastır. Ancak, mevcut araçlar bölgeye özel hata enjeksiyonu için sınırlı destek sunmaktadır. Bu çalışmada, çevirici dil seviyesinde dinamik ve fonksiyon düzeyinde hata enjeksiyonuna olanak tanıyan, yaygın kullanılan PinFI [1] altyapısının özgün bir uzantısı olan PinFI_Region sunulmaktadır. Spesifik kod bölgelerinin hassas bir şekilde seçilmesini çalışma zamanı enjeksiyonu ile birleştiren yaklaşımımız, derleyici seviyesindeki esneklik ile çevirici dil seviyesindeki gerçekçilik arasındaki boşluğu doldurmaktadır. 22 karşılaştırma uygulaması üzerinde 211.200'den fazla hata enjeksiyon deneyi gerçekleştirilmiş; PinFI_Region, hem orijinal PinFI hem de LLVM tabanlı LLFI aracı [2] ile karşılaştırılmıştır. Sonuçlar, PinFI_Region'ın orijinal PinFI ile neredeyse aynı sonuç oranlarına ulaştığını, benzer başarı ve sessiz veri bozulması (SDC) davranışları sergilediğini göstermektedir. Ayrıca, LLFI'dan önemli ölçüde daha fazla sistem çökmesine (crash) neden olan hata tespit ederek, yüksek seviyeli yaklaşımların genellikle gözden kaçırdığı düşük seviyeli hata belirtilerini ortaya koymaktadır. Ayrıca, kapsamlı hata enjeksiyonu ile ilişkili yüksek zaman ve hesaplama maliyetlerini gidermek amacıyla, makine öğrenmesi tabanlı bir öngörücü çerçeve önerilmektedir. 22 farklı uygulama genelinde 44 fonksiyonel bölgeden çıkarılan 19 performans ve dinamik öznitelikten yararlanılarak, hata enjeksiyonu sonuçlarını tahmin etmek için on dört regresyon modeli değerlendirilmiştir. Bulgularımız, sistem güvenilirlik profillerinin farklı hata kategorilerinde 8,86 ile 14,19 MAE (Ortalama Mutlak Hata) arasında değişen bir hata payı ile öngörülebileceğini göstermektedir. Spesifik olarak, ElasticNet modelinin sistem çökme oranı tahmininde 8,86 MAE ile en yüksek performansı sergilediği; Extra Trees Regressor ve K-Neighbors Regressor (KNN) modellerinin ise sırasıyla 11,87 ve 14,19 MAE değerleriyle SDC ve başarı oranlarını tahmin etmede öne çıktığı belirlenmiştir. Bu öngörücü yaklaşım, yazılım tasarım döngüsünün erken aşamalarında kritik zafiyetlerin tespit edilmesi için hızlı ve maliyet etkin bir alternatif sunmaktadır.

Özet (Çeviri)

Fault injection is a widely used technique for evaluating the vulnerability of applications to soft errors. These errors can be introduced at various abstraction levels, ranging from the circuit level, usually through radiation testing, to the application level, by corrupting program variables. While low-level (hardware-based) fault injection methods offer high accuracy, they are often expensive and complex to implement. In contrast, high-level (software-based) techniques are more cost-effective and easier to apply, though generally less precise. Assembly-level fault injection strikes a balance by offering higher accuracy than application-level techniques, while still being more practical than hardware-level approaches. Since applications exhibit non-uniform vulnerability across code regions, faults in some sections can severely affect program output while others have a negligible impact. Therefore, assessing the region-based vulnerability of an application is essential, especially when selective protection is to be applied to critical regions. However, existing tools offer limited support for region-specific fault injection. In this study, we present PinFI_Region, a new extension of the widely used PinFI [1] framework that enables dynamic, function-level fault injection at the assembly level. By combining fine-grained code region selection with runtime injection, our approach bridges the gap between compiler-level flexibility and assembly-level realism. We conduct over 211,200 fault injection experiments on 22 benchmark applications and compare PinFI_Region with both the original PinFI and the LLVM-based LLFI tool [2]. The results show that PinFI_Region achieves nearly identical outcome rates as the original PinFI and exhibits similar success and silent data corruption (SDC) behavior, while capturing significantly more crash inducing faults than LLFI, thereby exposing low level fault manifestations that high level approaches often overlook. Furthermore, to address the substantial time and computational overhead associated with exhaustive fault injection, a machine learning-based predictive framework is proposed. By leveraging 19 performance and dynamic features extracted from 44 functional regions across 22 distinct applications, 14 regression models were evaluated to forecast fault injection outcomes. Our findings demonstrate that system reliability profiles can be predicted with a prediction error ranging from 8.86 to 14.19 Mean Absolute Error (MAE) across different fault categories. Specifically, it was determined that the ElasticNet model achieved the highest performance in crash rate forecasting with an MAE of 8.86, while the Extra Trees Regressor and K-Neighbors Regressor (KNN) models excelled in predicting SDC and success rates with MAE values of 11.87 and 14.19, respectively. This predictive approach provides a rapid and cost-effective alternative for identifying critical vulnerabilities during the early stages of the software design cycle.

Benzer Tezler

  1. Tez No

    93384

    Performance of deep excavations in soft clays

    Yumuşak kil içerisinde yapılan kazıların performansı

    ENGİN ERDİNÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2000

    İnşaat MühendisliğiOrta Doğu Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN EROL

  2. Tez No

    732795

    Dam break induced flood analysis by soft computing techniques

    Yumuşak hesaplama teknikleri ile baraj yıkılması kaynaklı taşkın analizi

    HALİD AKDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CİHAN BAYINDIR

  3. Tez No

    646088

    Dikkat eksikliği hiperaktivite bozukluğu tanılı erkek çocuklarda silik nörolojik belirtilerin yürütücü işlevler ve serum beyin kaynaklı nörotrofik faktör düzeyi ile ilişkisi

    Correlation between neurological soft signs, executive functions and brain derived neurotrophic factor in male children with attention deficit/hyperactivity disorder

    MUSTAFA TOLGA TUNAGÜR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    PsikiyatriAydın Adnan Menderes Üniversitesi

    Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. HATİCE AKSU

  4. Tez No

    14186

    Geliştirilmiş bir ultrasonik darbeli doppler kan akış ölçme düzeninde hata kaynaklarının analizi

    The Analysis of error sources at a developed pulsed doppler blood flowmeter

    İNAN GÜLER

    Doktora

    Türkçe

    Türkçe

    1990

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. ERTUĞRUL YAZGAN

  5. Tez No

    855922

    İki yönlü üç seviyeli T-tipi LLC rezonans izole DA-DA dönüştürücünün tasarımı ve analizi

    Design and analysis of bidirectional three level T-type LLC resonant isolated DC-DC converter

    KEMAL KALAYCI

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR ARİFOĞLU

    DR. ÖĞR. ÜYESİ ONUR DEMİREL

Geri Dön