用于卫星异常检测的 Real NVP 归一化流模型的故障注入分析
机器学习
2025-11-18 v1
摘要
卫星被用于众多应用，包括通信、地球观测和空间科学。神经网络和基于深度学习的方法目前代表了提升这些任务性能和效率的 SOTA。鉴于卫星容易受到各种故障的影响，人工智能（AI）的一个关键应用是故障检测。然而，尽管神经网络具有优势，但这些系统容易受到辐射错误的影响，这可能严重影响其可靠性。确保这些解决方案的可靠性需要广泛的测试和验证，特别是使用故障注入方法。本研究分析了用于空间系统故障检测的物理信息（PI）实值非体积保持（Real NVP）归一化流模型，重点关注其对单粒子翻转（SEU）的弹性。我们提出了一个定制的 TensorFlow 故障注入框架来评估神经网络的弹性。故障注入通过两种主要方法进行：层状态注入，针对权重和偏置等网络内部组件；以及层输出注入，修改各种激活函数的层输出。故障类型包括置零、随机值和位翻转操作，在不同级别和不同网络层中应用。我们的发现揭示了一些关键见解，例如关键位发生位翻转错误的重要性，这可能导致显著的性能下降甚至系统故障。通过这项工作，我们旨在详尽研究 Real NVP 模型针对辐射引起错误的弹性，为指导容错措施的实施提供手段。
引用
@article{arxiv.2504.02015,
title = {Fault injection analysis of Real NVP normalising flow model for satellite anomaly detection},
author = {Gabriele Greco and Carlo Cena and Umberto Albertin and Mauro Martini and Marcello Chiaberge},
journal= {arXiv preprint arXiv:2504.02015},
year = {2025}
}
备注
Passed first review at 2025 International Joint Conference on Neural Networks (IJCNN)