[发明专利]一种基于图注意力网络的隐性偏差指令预测方法及设备

说明书

本发明提供了一种基于图注意力网络的隐性偏差指令预测方法及设备，通过关注节点的邻居，遵循自注意力机制来计算图中每个节点的隐式结构特征，一个节点的结构特征是通过聚合其邻居节点得到的。自注意力机制可以捕捉到节点对相邻节点的不同重要性。此外，本发明应用不同类型的边来表示指令之间不同类型的关系，包括分支关系、寻址关系、逻辑关系、定义‑使用关系。针对不同类型的边，使用注意力机制来聚合邻居节点。本发明将隐性偏差脆弱指令的预测任务看作图神经网络的分类任务，因此在节点聚合之后进行节点分类，从而得出隐性偏差脆弱指令的预测结果。本发明将整个过程分为三步，分别是数据采集、图计算和节点分类。

技术领域

本发明涉及计算机软错误检测技术领域，具体为一种基于图注意力网络的隐性偏差指令预测方法及设备。

背景技术

软错误已经成为现代计算系统的一个主要问题。软错误是半导体电路中的一种瞬态故障现象，通常是由外部环境中的高能粒子辐照和电压扰动、电磁干扰等电子噪声诱发。随着CMOS技术的不断发展，电子系统中发生软错误的概率也会随之增加。软错误引起的故障类型大致可以分为四种，包括：屏蔽(Benign)、崩溃(Crash)、挂起(Hang)和隐性偏差(Silent Data Corruption)。其中一个很难检测到的后果类型是隐性偏差，隐性偏差可能导致财产损失甚至人员伤亡。研究表明，小部分指令是导致隐性偏差故障传播的原因。因此，我们的首要目标是分析指令的隐性偏差脆弱性。

为了确定哪些指令会导致隐性偏差，研究人员使用故障注入来确定隐性偏差脆弱指令，隐性偏差脆弱指令是指导致隐性偏差错误的指令。每个故障注入活动将一个单独的故障注入到一个随机采样的指令中，并且将该程序执行到完成，以确定该故障是否导致隐性偏差。但是通过执行故障注入来获得每个指令的剖析需要花费太多的时间。

为了降低时间成本，有大量的工作集中在通过预测隐性偏差脆弱指令来减少注入开销。通过将故障注入到部分指令中，以生成训练数据集，并使用某些分类算法来预测其他指令。研究人员选择某些结构特征来描述指令环境，这些特征是网络中的节点统计，例如同一基本块或函数中的后续指令数量。结构特征的选择很大程度上取决于研究者的理解，因此它的局限性就在于为隐性偏差预测任务手动选择的结构特征很难被详尽地列举出来。某一条指令隐性偏差发生的概率与程序的复杂语义有关，例如数据流、控制流甚至特定的应用功能。为了描述指令的上下文，研究人员选择了他们认为是故障传播信息的结构特征。

IPAS用基本块或局部函数中指令数来描述结构特征。指令的数量表示故障注入点与基本块或函数的结束点之间的距离。然而，指令的数量与故障传播的路径无关，因为中间指令可能不参与故障传播。为了解决这个问题，我们引入了数据流的结构特征，在数据流中找到目标指令的后续指令，分析可能的故障传播路径。DFRMR在IPAS的基础上还考虑了指令数据是否提供了位置相关指令。一个位置错误可能会导致崩溃，引入DFRMR的目的是为了过滤掉导致崩溃的指令，从而使产生隐性偏差的概率降低。

proPVInsiden主要识别接口指令，接口指令是指操作返回值、参数或全局变量的指令。接口指令对函数间的传播有影响。因此通过识别后续的接口指令，可以确定一个指令的故障能否传播到其他函数中的下游指令中。SDCTune基于存储和比较操作的启发式规则提出了树形结构分类。它确定指令数据是否提供了比较或存储指令，并使用回归算法计算导致隐性偏差的概率。

这些研究方法选择了一系列结构特征来描述指令上下文，然而这些方法无法捕捉程序的丰富语义，因而限制了模型推理故障传播的能力。

发明内容

针对现有技术中存在无法捕捉程序的丰富语义，且对模型推理故障传播的能力具有限制性的问题，本发明提供一种基于图注意力网络的隐性偏差指令预测方法及设备，该方法有效的提高了准确率；降低了时间成本，大大提高了对隐性偏差指令的预测能力。

本发明是通过以下技术方案来实现：

一种基于图注意力网络的隐性偏差指令预测方法，包括如下步骤，