融合关系邻域的SDC错误检测异构图注意网络模型

摘要

目前，由软错误引起的系统漏洞呈指数级增长，其中软错误可能导致不正确的输出，也称为静默数据损坏(SDC),它不会在系统中引起警告，因此很难检测到.检测SDC错误对系统可靠性至关重要.然而，现有故障检测方法通常使用机器学习模型来学习指令的静态特征进行检测，忽略了指令间上下文信息，缺乏对SDC的传播推理能力.本文提出了一种融合关系邻域的SDC错误检测异构图注意网络模型(SDC Error Detection Heterogeneous Graph Attention Network Model With Fused Relational Neighborhoods, HGATFR).HGATFR表示一种异构图，可用不同类型的边表示不同的指令关系.HGATFR能够自动捕获有助于SDC传播的语义信息和结构信息.通过堆叠层，节点可以从邻域内其他节点获取相关的语义信息，使注意力机制可量化故障对其邻域内其他节点的影响.此外通过聚合该节点的关系邻域信息，模型能够更好的捕获有助于SDC传播的结构特征.对比实验结果表明，HGATFR在SDC脆弱性检测方面具有更高的准确率和更好的效果.

关键词

静默数据损坏 / 异构关系图 / 图注意机制 / 故障检测

基金资助

***基金项目（CX2023-03-08-02）资助