基于神经网络的 VLSI 程序流程异常检测及脉冲神经网络性能评估

《Computers》：Detecting Program Flow Anomalies via Instruction Monitoring with Neural Networks: A Comparison of Methods

　　VLSI（超大规模集成电路）系统是现代复杂电子设备的核心。然而，随着器件特征尺寸的缩小和芯片复杂性的增加，各种故障源的出现速率也在不断提高。尽管目前已存在广泛且成熟的故障检测、分类和/或缓解技术，但这些技术在处理主要表现于时间域的故障方面存在显著不足。本文旨在通过使用神经网络来检测程序流程中的异常，从而解决这类故障场景。本文详细介绍了基于RISC-V处理器录制数据创建和评估故障注入数据集的方法，并分析了指令进展的特性，以说明这种方法的有效性。随后，使用该数据集评估了多种不同的神经网络架构，具体包括：卷积神经网络（CNN）；循环神经网络（RNN）；长短期记忆网络（LSTM）；以及脉冲神经网络（SNN）。这些网络架构的性能和特性进行了比较，结果表明SNN具有神经元数量少、精度高和输出延迟低的良好组合特性。