利用机器学习在伽马辐射下对片上系统进行异常检测
机器学习
2022-01-06 v1
摘要
新型纳米级技术的出现给在辐射环境中设计可靠电子系统带来了重大挑战。诸如总电离剂量（TID）效应等少数辐射类型常对此类纳米级电子器件造成永久性损伤，而当前应对 TID 的先进技术依赖于昂贵的抗辐射加固器件。本文关注一种新颖且不同的方法：在消费级现场可编程门阵列（FPGA）上使用机器学习算法应对 TID 效应，并在其失效前进行监测与替换。该状况带来一个研究挑战，即预测板卡何时会因 TID 效应发生彻底故障。我们观测了伽马辐射下 FPGA 板卡的内部测量值，并使用三种不同的异常检测机器学习（ML）算法来检测伽马辐射环境中传感器测量值的异常。统计结果显示伽马辐射暴露水平与板卡测量值之间存在高度显著的关系。此外，我们的异常检测结果表明，带有径向基函数核的单类支持向量机平均召回率（Recall）得分为 0.95。并且，所有异常均能在板卡停止工作前被检测到。
引用
@article{arxiv.2201.01588,
title = {Using Machine Learning for Anomaly Detection on a System-on-Chip under Gamma Radiation},
author = {Eduardo Weber Wachter and Server Kasap and Sefki Kolozali and Xiaojun Zhai and Shoaib Ehsan and Klaus McDonald-Maier},
journal= {arXiv preprint arXiv:2201.01588},
year = {2022}
}