面向TensorFlow的故障注入器：随机硬件故障对深度CNN影响的评估
机器学习
2020-12-15 v1
摘要
如今，深度学习(DL)几乎增强了包括安全关键领域在内的各个工业部门。下一代安全标准将定义针对基于DL应用的适当验证技术，并提出充分的容错机制。基于DL的应用与其他软件一样，易受RAM和CPU寄存器中发生的位翻转等常见随机硬件故障的影响。此类故障可导致静默数据损坏。因此，开发有助于评估DL组件在此类故障存在下如何运行的方法和工具至关重要。本文中，我们介绍了两个新的故障注入(FI)框架InjectTF和InjectTF2，分别用于TensorFlow 1和TensorFlow 2。两个框架均在GitHub上可用，并允许将可配置的随机故障注入神经网络(NN)。为证明框架的可行性，我们还展示了使用两个图像集在四个基于VGG的卷积NN上进行的FI实验结果。结果展示了NN特定数学运算和层的输出中的随机位翻转如何影响分类精度。这些结果有助于识别最关键的操作和层，比较功能相似NN的可靠性特征，并引入选择性容错机制。
引用
@article{arxiv.2012.07037,
title = {Fault Injectors for TensorFlow: Evaluation of the Impact of Random Hardware Faults on Deep CNNs},
author = {Michael Beyer and Andrey Morozov and Emil Valiev and Christoph Schorn and Lydia Gauerhof and Kai Ding and Klaus Janschek},
journal= {arXiv preprint arXiv:2012.07037},
year = {2020}
}
备注
Preprint of the corresponding ESREL 2020 PSAM15 conference publication