HarDNN：CNN 中特征图易损性评估
机器学习
2020-02-26 v2 计算机视觉与模式识别
机器学习
摘要
随着卷积神经网络（CNN）日益应用于安全关键场景，其在硬件错误面前保持可靠行为至关重要。瞬态硬件错误可能在执行过程中渗透不良状态，导致软件层错误，进而对高层决策产生不利影响。本文提出 HarDNN，一种软件导向的方法，用于识别 CNN 推理中的易损计算，并依据其在硬件错误下 corrupt 推理输出的倾向进行选择性保护。我们展示了 HarDNN 可利用统计错误注入活动准确估计 CNN 中特征图（fmap）的相对易损性，并探索了快速易损性评估的启发式方法。基于这些结果，我们分析了系统设计师可用于选择性保护的错误覆盖与计算开销之间的权衡。结果表明，附加计算所带来的弹性提升在 HarDNN 下是超线性的。例如，HarDNN 仅以 30% 的额外计算即将 SqueezeNet 的弹性提升了 10 倍。
引用
@article{arxiv.2002.09786,
title = {HarDNN: Feature Map Vulnerability Evaluation in CNNs},
author = {Abdulrahman Mahmoud and Siva Kumar Sastry Hari and Christopher W. Fletcher and Sarita V. Adve and Charbel Sakr and Naresh Shanbhag and Pavlo Molchanov and Michael B. Sullivan and Timothy Tsai and Stephen W. Keckler},
journal= {arXiv preprint arXiv:2002.09786},
year = {2020}
}
备注
14 pages, 5 figures, a short version accepted for publication in First Workshop on Secure and Resilient Autonomy (SARA) co-located with MLSys2020