Evaluación de la confiabilidad de redes neuronales profundas implementadas en hardware
DOI:
https://doi.org/10.26507/paper.4346Palabras clave:
Redes Neuronales Artificiales, inyeccion de fallos, saboteador, evaluación de confiabilidadResumen
Las redes neuronales profundas (Deep Neural Networks - DNNs) han sido adoptadas como base para el desarrollo de aplicaciones de misión crítica, que incluyen vehículos autónomos, equipos médicos de soporte vital, sistemas aeroespaciales, entre otros. En este tipo de aplicaciones, un mal funcionamiento puede desencadenar graves consecuencias para la vida humana, el medio ambiente o daños a equipos de alto costo. La implementación en hardware de estas redes neuronales artificiales, trae ventajas como altas velocidades de operación, un menor consumo de energía y mayor portabilidad. Estas características han motivado a la comunidad científica a proponer nuevas arquitecturas de hardware y a realizar esfuerzos para asegurar su confiabilidad. En este contexto, la identificación precisa de las vulnerabilidades de redes neuronales de alta complejidad sintetizadas en hardware cobra gran relevancia. Para ello, se utilizan mecanismos de inyección de fallas que consisten en circuitos especializados conocidos como saboteadores, que permiten emular fallas en componentes de hardware tales como registros y unidades de memoria, bloques de procesamiento e interconexiones, con el propósito de evaluar su impacto en la precisión y resiliencia del sistema. Los modelos de fallas pueden ser permanentes (tipo stuck-at) o transitorias (como bit flip o coupling faults, entre otras) y pueden ser aplicados en diferentes niveles de la arquitectura de las DNNs, que van desde neuronas individuales y pesos, hasta capas completas. Una de las plataformas más utilizadas para este tipo de estudios son las FPGAs (Field Programmable Gate Array), gracias a características como su flexibilidad, bajo consumo de energía, velocidad y capacidad de procesamiento. Este trabajo presenta el desarrollo de un entorno para evaluar la confiabilidad de las DNNs implementadas en hardware a través de un sistema de inyección de fallas que emula fallas permanentes y transitorias, apoyado en un conjunto de herramientas para el análisis y verificación del impacto de cada prueba. Los resultados preliminares revelan que las DNNs exhiben diversos grados de vulnerabilidad a fallas en hardware y que algunas capas y parámetros críticos pueden afectar seriamente el desempeño de cada modelo. Los hallazgos subrayan la importancia de comprender la dinámica de propagación de fallas dentro de las DNNs para asegurar el diseño de arquitecturas de hardware y software más confiables.
Citas
Andrade, L., Prost-Boucle, A., & Pétrot, F. (2018). Overview of the state of the art in embedded machine learning. Proceedings of the 2018 Design, Automation and Test in Europe Conference and Exhibition, DATE 2018, 2018-Janua, 1033–1038. https://doi.org/10.23919/DATE.2018.8342164
Cannon, E. H., Cabanas-Holmen, M., Wert, J., Amort, T., Brees, R., Koehn, J., Meaker, B., & Normand, E. (2010). Heavy ion, high-energy, and low-energy proton SEE sensitivity of 90-nm RHBD SRAMs. IEEE Transactions on Nuclear Science, 57(6 PART 1), 3493–3499. https://doi.org/10.1109/TNS.2010.2086482
Cherezova, N., Jenihhin, M., & Jutman, A. (2024). IJTAG-compatible Symptom-based SEU Monitors for FPGA DNN Accelerators. 2024 IEEE International Conference on Design, Test and Technology of Integrated Systems, DTTIS 2024, 1–6. https://doi.org/10.1109/DTTIS62212.2024.10780417
Cherezova, N., Shibin, K., Jenihhin, M., & Jutman, A. (2023). Understanding fault-tolerance vulnerabilities in advanced SoC FPGAs for critical applications. Microelectronics Reliability, 146(June 2022). https://doi.org/10.1016/j.microrel.2023.115010
Gao, Z., Gao, S., Yao, Y., Liu, Q., Zeng, S., Ge, G., Wang, Y., Ullah, A., & Reviriego, P. (2023). Systematic Reliability Evaluation of FPGA Implemented CNN Accelerators. IEEE Transactions on Device and Materials Reliability, 23(1), 116–126. https://doi.org/10.1109/TDMR.2023.3235767
Khan, A., Sohail, A., Zahoora, U., & Qureshi, A. S. (2020). A survey of the recent architectures of deep convolutional neural networks. In Artificial Intelligence Review (Vol. 53, Issue 8). Springer Netherlands. https://doi.org/10.1007/s10462-020-09825-6
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86(11), 46. https://doi.org/10.1109/5.726791
Liu, L., Ouyang, W., Wang, X., Fieguth, P., Chen, J., Liu, X., & Pietikäinen, M. (2020). Deep Learning for Generic Object Detection: A Survey. International Journal of Computer Vision, 128(2), 261–318. https://doi.org/10.1007/s11263-019-01247-4
Martín-Martín, A., Padial-Allué, R., Castillo, E., Parrilla, L., Parellada-Serrano, I., Morán, A., & García, A. (2024). Hardware Implementations of a Deep Learning Approach to Optimal Configuration of Reconfigurable Intelligence Surfaces. Sensors, 24(3), 1–21. https://doi.org/10.3390/s24030899
Pagliarini, S. N. (2015). Reliability analysis methods and improvement techniques applicable to digital circuits To cite this version : HAL Id : tel-01195815.
Rech, P., Galliere, J. M., Girard, P., Griffoni, A., Boch, J., Wrobel, F., Saigné, F., & Dilillo, L. (2011). Neuton-induced multiple bit upsets on dynamically-stressed commercial SRAM arrays. Proceedings of the European Conference on Radiation and Its Effects on Components and Systems, RADECS, 274–280. https://doi.org/10.1109/RADECS.2011.6131396
Ruospo, A., Balaara, A., Bosio, A., & Sanchez, E. (2020). A Pipelined Multi-Level Fault Injector for Deep Neural Networks. 33rd IEEE International Symposium on Defect and Fault Tolerance in VLSI and Nanotechnology Systems, DFT 2020. https://doi.org/10.1109/DFT50435.2020.9250866
Yu, G., Tan, G. O. U., & Huang, H. (2024). A Survey on Failure Analysis and Fault Injection in AI Systems. ACM Computing Surveys, 1(1), 1–36. https://doi.org/10.1145/3477600
Cómo citar
Descargas
Descargas
Publicado
Evento
Sección
Licencia
Derechos de autor 2025 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
