大气辐射下 UltraScale+ MPSoC 系统的单粒子效应评估
分布式、并行与集群计算
2023-03-15 v1
摘要
AMD UltraScale+ XCZU9EG 器件是一种嵌入式可编程逻辑（PL）的多处理器片上系统（MPSoC），在许多边缘（如汽车或航空电子）和云（如数据中心）地面应用中表现出色。然而，它集成了大量 SRAM 单元，使该器件易受中子诱发单粒子翻转（NSEU）即软错误的影响。半导体供应商采用软错误缓解机制，以在故障传播到应用输出并成为错误之前恢复存储器翻转（即故障）。但 MPSoC 的缓解方案有多有效？它们能否在不同工作负载下有效恢复高海拔或大规模应用中的翻转？本文通过一项包含加速中子辐射测试与可靠性分析的扎实研究回答了上述研究问题。我们在广泛的工作负载上测试该器件，例如用于位姿估计与天气预报的多线程软件，或运行于 AMD 深度学习处理单元（DPU）上的软件/硬件（SW/HW）协同设计图像分类应用。假设在纽约市（NYC）海拔 4 万英尺的单节点 MPSoC 系统，所有被测软件应用的平均失效时间（MTTF）均大于 148 个月，表明 MPSoC 处理系统中的翻转被有效恢复。然而，同一单节点系统在 4 万英尺下的 SW/HW 协同设计（即 DPU）因 PL 加速器的高失效率而 MTTF = 4 个月，这强调某些 MPSoC 工作负载可能需要额外的 NSEU 缓解方案。尽管如此，我们表明若忽略可容忍错误的失效率（因其不影响分类输出的正确性），DPU 的 MTTF 可在无任何开销下提升至 87 个月。
引用
@article{arxiv.2303.08098,
title = {Single Event Effects Assessment of UltraScale+ MPSoC Systems under Atmospheric Radiation},
author = {Dimitris Agiakatsikas and Nikos Foutris and Aitzan Sari and Vasileios Vlagkoulis and Ioanna Souvatzoglou and Mihalis Psarakis and Ruiqi Ye and John Goodacre and Mikel Lujan and Maria Kastrioto and Carlo Cazzaniga and Chris Frost},
journal= {arXiv preprint arXiv:2303.08098},
year = {2023}
}
备注
This manuscript is under review at IEEE Transactions on Reliability